La inteligencia artificial (IA) se considera como el conjunto de tecnologías que realizan un reconocimiento, razonamiento o aprendizaje típicamente asociados con la inteligencia humana. Entre ellas, pueden incluirse la detección de enfermedades en una imagen, el diagnóstico o la recomendación de tratamiento y su aplicación tiene un gran potencial para mejorar la prestación sanitaria. El alto nivel de digitalización de los sistemas sanitarios, así como el contexto de la salud actual, proporcionan la aceleración de la transformación del sector de salud y esta transformación se realizará incorporando herramientas innovadoras, como la inteligencia artificial.
La incorporación de la IA en el ámbito de salud tiene un gran impacto ya que cumple con los tres principios básicos que son disponer de datos; desarrollar tareas rutinarias (aquí son fácilmente identificables los procesos asistenciales y los actos rutinarios basados en los datos); y cuentan con un alto nivel de especialización.
Aplicación en salud
La inteligencia Artificial en salud tiene un amplio abanico de ámbitos donde aplicarse. En concreto, en el ámbito asistencial, puede utilizarse como herramienta de soporte a la decisión clínica para el diagnóstico, pronóstico, tratamiento o seguimiento, tanto utilizando información estructurada como no estructurada. Por lo que respecta a salud pública, es utilizable para la vigilancia epidemiológica, la promoción y la prevención de la salud. En la administración y gestión de recursos, la IA es aplicable en la optimización en la gestión de recursos sanitarios o las gestiones administrativas, como la gestión de listas de espera. Igualmente, en el área de investigación biomédica, se puede utilizar en el desarrollo de la farmacología o los ensayos clínicos.
Mientras es posible encontrar un gran volumen de literatura de investigación sobre la IA en salud, es escasa la información existente sobre cómo los algoritmos están integrados en el soporte de las decisiones clínicas y cómo estas han impactado en el proceso asistencial. Esto se debe a que el sector salud es un entorno altamente regulado y con unos modelos organizativos jerarquizados, rígidos y complejos.
Uno de los métodos más utilizados actualmente en IA es el aprendizaje automático (ML), un método que se basa en el aprendizaje de los datos. El resurgimiento actual del ML se debe, en gran medida, a los avances en los métodos de aprendizaje profundo que se basan en redes neuronales. Las principales soluciones de IA actualmente se están desarrollando utilizando tecnología de aprendizaje automático (Machine Learning).
Requisitos para su uso en salud
La utilización clínica de la IA requiere una estandarización, como el establecimiento de pautas de mejores prácticas con respecto al diseño de la integración del flujo de trabajo, la evaluación del rendimiento y la equidad del modelo. Los modelos apropiados deben probarse en datos actuales disponibles para evaluar el rendimiento y la seguridad y, solo entonces, deben evaluarse prospectivamente, primero sin y luego con implementación en términos de precisión e impacto en los puntos finales clínicos.
Como se ha indicado anteriormente, nos encontramos en la actualidad en un boom de la IA, pero dentro de la medicina académica, los algoritmos se desarrollan en la actualidad principalmente en silos por investigadores. Esto ha conllevado una panoplia de modelos publicados entrenados con datos de salud, pero solo unos pocos han podido ser evaluados prospectivamente en pacientes. De hecho, cuando los modelos se han evaluado prospectivamente sobre los resultados clínicos, los resultados con frecuencia no han sido tan impresionantes como las publicaciones indicaban. En este sentido cobra un papel relevante la evaluación de soluciones de IA.
Clasificación de los algoritmos
Es importante poder clasificar los algoritmos en función del grado de riesgo e impacto que tiene su aplicación en el proceso de salud. En este sentido, existen los sistemas que adquieren y presentan información de manera automatizada, para que el profesional asistencial los interprete. Estos datos se conservan en forma sin procesar, pero la solución puede ayudar a la presentación, clasificando o mejorando los datos. Un ejemplo de este tipo de soluciones sería un algoritmo que estratifica la población según unos indicadores de salud.
Otros algoritmos se basan en análisis de información, en el que el dispositivo automatiza la interpretación de datos, produciendo nueva información a partir de datos sin procesar. Es importante destacar que la interpretación aporta nueva información que respalda la toma de decisiones, sin proporcionar la decisión. Por su parte, en los que utilizan selección de decisiones, el dispositivo automatiza la toma de decisiones y proporciona un resultado para la tarea clínica. Por ejemplo, indicar y llamar la atención sobre las lesiones malignas en las mamografías de detección, indica una decisión del dispositivo sobre la presencia de cáncer de mama.
Por su parte, en la implementación de acciones, el dispositivo automatiza la implementación de la decisión seleccionada cuando se requiere una acción. Por ejemplo, un desfibrilador automático implantable decide que se requiere desfibrilación y actúa administrando automáticamente el tratamiento.
A partir de ese momento la evaluación debe realizarse de manera periódica y realizar calibraciones del modelo para garantizar que la relación entre las entradas y las salidas no haya cambiado y para volver a cambiar el modelo si hace falta. Este requisito de reevaluación y recalibración en un contexto clínico especifico se hace evidente cuando los proyectos saltan de entornos de investigación a entornos reales con grandes volúmenes de datos que reflejen la realidad del sistema de salud.
Necesidad de una IA responsable
Pero para disponer de soluciones de IA que puedan ser evaluadas, estas deben desarrollarse bajo una definición, consecución y mantenimiento de la confidencialidad, integridad, disponibilidad, responsabilidad, autenticidad y confianza. Todas estas características son fundamentales para garantizar la responsabilidad de una solución de IA, ya que el objetivo es llegar a tener una IA responsable, que sea justa, transparente y sólida. Esta característica es fundamental para impulsar la adopción de una IA que garantice la equidad en salud. Para avanzar con la adopción de la IA en la atención médica, se necesita una metodología coherente e integral, en primer lugar, para minimizar el riesgo de error en el proyecto y, en segundo lugar, para establecer y garantizar el nivel necesario.
Y una de las metodologías que nos permiten disponer de esta IA responsable es la interpretabilidad. Uno de los objetivos de la IA en salud es que las soluciones que implementemos sean interpretables. Esta interpretabilidad implica que un “observador o receptor” puede juzgar si puede comprender el modelo del algoritmo o su comportamiento y es a través de los datos que se utilizan en el desarrollo del modelo o solución como debe llevarse a cabo esta interpretabilidad.
El dato como materia prima
Hasta ahora hemos hablado de algunos aspectos importantes para el uso de la IA en salud, pero la IA se basa en una materia prima y esta materia prima son los datos. La calidad de la información es crítica para los diferentes estados de ciclo de vida de una solución de IA. Para el entrenamiento, para la validación y para el testeo, estos datos deben ser relevantes y representativos y esta relevancia y representatividad se ha de definir con criterios de calidad y transparencia. Esta calidad y transparencia se consigue con una documentación clara del ciclo de vida del dato (dónde y cómo se obtenido, qué procesos de transformación ha sufrido, etc.).
La gestión de los datos se considera como el proceso de seguimiento de todos los datos. La información relacionada con la creación, producción, distribución y eliminación de los datos nos permite identificar potenciales riesgos de sesgo, que, como se ha indicado, es el principal problema para el despliegue de la IA en salud.
Las organizaciones de salud se están viendo afectadas por una mala calidad de los datos. La gran cantidad de registros e información deben mejorarse para que sean accesibles y utilizables en la IA. Sistemas obsoletos con una consulta de datos deficiente o inexistente y la renuncia a incorporar modelos normalizados de información en la mayoría de las organizaciones son los mayores obstáculos para disponer de una calidad de datos en la atención medica, que permita su utilización para el entrenamiento de soluciones de IA.
Aun así, si uno de los principios de la calidad de la información, como es la confianza de los usuarios en los datos, la aplicamos a salud nos encontraríamos que esta confianza es máxima ya que se mantienen los máximos estándares y los profesionales asistenciales toman decisiones a diario sobre estos datos. Pero es aquí donde radica la diferencia sobre otros ámbitos, ya que la decisión clínica se toma no sobre los datos, sino sobre la información registrada en los sistemas y esta está sujeta a interpretaciones.
Trabajar sobre la fiabilidad y la coherencia de la información requiere que esta sigue un estándar establecido en toda la organización y aquí es donde tenemos diferencias de criterios y modelos diferentes entre organizaciones, e incluso, dentro de la misma organización. Este cóctel da como resultado que los datos no siguen unos estándares establecidos. Sin esta máxima, la marca de multi proveedor de salud desaparece y es muy débil, lo que hace que el desarrollo de soluciones de IA en entornos de multi proveedor requiera de unas políticas de gobierno del dato altamente complejas. Es responsabilidad de las autoridades sanitarias definir y garantizar el cumplimiento de estándares de calidad del dato, ya que estos repercuten directamente sobre la asistencia sanitaria.
