Inteligencia artificial: transformando la práctica médica

La inteligencia artificial (IA) y la medicina se entrelazan en una fascinante intersección, pues tiene el potencial de transformar la atención médica y alterar significativamente el campo de la medicina. La IA ha mostrado un progreso notable en tareas como diagnósticos, análisis de datos y medicina de precisión, aplicándose hoy en áreas que van desde la clasificación de pacientes hasta la detección de cáncer. (Lea Desafíos éticos y sociales, la frontera de la inteligencia artificial)

En el ámbito médico, donde el diagnóstico de numerosas enfermedades se logra a través de un proceso iterativo que combina la historia clínica, el examen físico, las investigaciones y los procedimientos, las interfaces interactivas impulsadas por modelos de lenguaje de gran tamaño (LLM, por su sigla en inglés), como Chat-GPT, ofrecen nuevas oportunidades para asistir y automatizar este proceso.

Un estudio reciente de investigadores de Google comparó el desempeño de un LLM optimizado para el razonamiento diagnóstico, evaluando su capacidad para generar diagnósticos solo o como ayuda para los médicos. Veinte médicos evaluaron 300 casos clínicos desafiantes del mundo real. Cada informe fue leído por dos médicos, asignados aleatoriamente a asistencia de motores de búsqueda y recursos médicos estándar, o asistencia de LLM. Los resultados mostraron que el uso de LLM para el diagnóstico independiente superó al de los médicos sin asistencia (una precisión del 59,1 % frente al 33,6 %), seguido por el rendimiento de los médicos asistidos por el LLM (una precisión del 51,7 %). Esto abre la puerta para explorar más a fondo herramientas como LLM aplicadas en la práctica médica para aumentar la precisión diagnóstica.

Las imágenes médicas también desempeñan un papel crucial en el diagnóstico de patologías. Son claves tanto en la identificación de cambios en la piel por enfermedades, como en las imágenes complejas obtenidas por tomografías computarizadas (TAC) y en el análisis de láminas de patología, donde la entrada de algoritmos de IA se ha centrado en optimizar la detección de anormalidades basadas en imágenes. Esta mejora abarca una mayor precisión en diagnósticos, como la identificación de nódulos cancerosos pulmonares en radiografías de tórax o enfermedades cardiovasculares en exámenes de fondo de ojo, facilitando también la detección temprana de enfermedades imperceptibles para el ojo humano.

Un ejemplo familiar es el electrocardiograma (ECG), un examen diagnóstico ampliamente utilizado y de fácil acceso que demanda gran entrenamiento en el personal médico para su correcta interpretación. Este examen ha sido considerado durante mucho tiempo como una representación de la función eléctrica, mecánica y estructural del corazón. Sin embargo, con el uso de algoritmos de IA se ha demostrado que información adicional puede ser estimada del análisis del ECG, como la edad y el sexo del paciente, cambios en el volumen de sangre expulsada por el corazón (que hoy es medido por procedimientos más complejos como la ecocardiografía y otros métodos invasivos). Adicional a esto, varios estudios han mostrado que del ECG es posible predecir enfermedades no cardíacas en pacientes asintomáticos como diabetes, enfermedad renal o hipotiroidismo. Es importante resaltar que muchos de estos estudios requieren una validación posterior con un grupo de pacientes más grande y de forma prospectiva.

Otra de las aplicaciones de la IA es la especialidad de patología. En este campo se utilizan láminas al microscopio para estudiar muestras de tejido, establecer diagnósticos o evaluar la severidad de una enfermedad. El uso de la inteligencia artificial incluye reconocimiento de objetos, detección, segmentación y extracción de características de imágenes completas de láminas. Estas herramientas ayudan a los patólogos en tareas como evaluar biomarcadores inmunohistoquímicos, detectar células tumorales aisladas y estandarizar criterios de puntuación de severidad. Las ventajas abarcan una mejor reproducibilidad, objetividad y eficiencia en tareas como la cuantificación de biomarcadores, la predicción de pronósticos y respuestas a tratamientos. No obstante, todavía enfrenta varios desafíos como la necesidad de validar y estandarizar estas herramientas, la consolidación de bases de datos robustas con diversidad de tejidos normales (y anormales), y la implementación de estos algoritmos en la práctica clínica.

Además de transformar el diagnóstico, la IA beneficia la eficiencia médica al reducir el tiempo dedicado a tareas administrativas. En muchos casos, los médicos pasan el 80 % del tiempo detrás de un computador ingresando información. Herramientas que liberen esa carga mejoran la experiencia tanto de los pacientes como la de los profesionales de la salud. Este avance ya es una realidad en países como Estados Unidos, donde los médicos están optimizando su tiempo, permitiéndoles enfocarse más en la interacción con el paciente, aumentando la satisfacción con el servicio y disminuyendo el burnout médico.

Otro de los ámbitos importantes sobre la incorporación de la IA en medicina y biotecnología tiene que ver con las diferentes etapas de los ensayos clínicos (EC), en cuyos resultados se basa la gran mayoría de la práctica clínica. En la investigación preclínica (una de las primeras etapas de estos EC), la IA tiene potencial en el descubrimiento de objetivos y la predicción de toxicidad de nuevas moléculas para nuevos fármacos.

Similar a esto, la IA ha surgido como una herramienta valiosa para predecir resultados clínicos de pacientes, optimizar la duración del ensayo clínico y reducir el tamaño de las muestras, mejorando costos y tiempos, algo que generaría un gran impacto en la industria. Asimismo, la IA facilita el acceso en tiempo real a los datos de los participantes a través de tecnologías de salud digital, mejorando la supervisión de seguridad de la intervención que se está probando.

La educación médica es otra disciplina que será impactada por la IA, donde el uso de herramientas como Chat-GPT ha tomado más fuerza últimamente generando cambios en la manera de aprendizaje por parte de los estudiantes y especialistas en formación, que no se han previsto. Si bien esto genera muchas oportunidades para facilitar y potenciar el aprendizaje clínico, existen varias preocupaciones a corto y largo plazos.

En el corto plazo, sistemas como Chat-GPT han mostrado que pueden generar información basada en alucinaciones o confabulaciones. Las alucinaciones se refieren a percepciones falsas que pueden llevar a comportamientos aberrantes, como cuando un chatbot proporciona información factualmente incorrecta. Las confabulaciones en este contexto implican declaraciones semánticas, lógicamente generadas, pero fabricadas, como citar referencias que no existen. A largo plazo, preocupa la forma en que estos sistemas podrían influenciar en el aprendizaje al disminuir el tiempo que los médicos en formación escriben reportes, analizan resultados de laboratorio y establecen patrones de diagnóstico y tratamiento para cada uno de los pacientes necesarios para consolidar información y establecer patrones cognitivos.

Estos descubrimientos auguran un futuro emocionante para la práctica médica, mejorando la precisión diagnóstica, optimizando tiempos en los profesionales de la salud, ayudando a detectar tempranamente riesgos para desarrollar futuras enfermedades e identificando tratamientos personalizados. La colaboración multidisciplinaria entre expertos en bioinformática, las dinámicas médico-paciente y la investigación biomédica son una interacción clave para navegar por estas aguas complejas.

A medida que avanzamos en este campo, es esencial no solo celebrar los éxitos, sino también aprender de los fracasos e historias cautelares, manteniendo la transparencia para ganar la confianza de la comunidad médica y de los pacientes. Si bien existen muchos supuestos sobre estas herramientas que se encuentran lejos de la realidad, el camino hacia muchos de ellos está en construcción. (Lea En video: así preparan los alimentos los astronautas que están en el espacio)

En conclusión, la IA tiene el potencial de transformar radicalmente la medicina. Su implementación cuidadosa y ética es fundamental para garantizar beneficios sostenibles y seguros para la humanidad. El beneficio de estas herramientas no solo se encuentra basado en el paciente, sino también en los profesionales de la salud y el sistema de salud en general.

* MD, Msc, MBI Harvard Medical School, 21’; Stanford Biodesign, 23’; Universidad de los Andes, 15’ 18’

La inteligencia artificial (IA) y la medicina se entrelazan en una fascinante intersección, pues tiene el potencial de transformar la atención médica y alterar significativamente el campo de la medicina. La IA ha mostrado un progreso notable en tareas como diagnósticos, análisis de datos y medicina de precisión, aplicándose hoy en áreas que van desde la clasificación de pacientes hasta la detección de cáncer. (Lea Desafíos éticos y sociales, la frontera de la inteligencia artificial)

En el ámbito médico, donde el diagnóstico de numerosas enfermedades se logra a través de un proceso iterativo que combina la historia clínica, el examen físico, las investigaciones y los procedimientos, las interfaces interactivas impulsadas por modelos de lenguaje de gran tamaño (LLM, por su sigla en inglés), como Chat-GPT, ofrecen nuevas oportunidades para asistir y automatizar este proceso.

Un estudio reciente de investigadores de Google comparó el desempeño de un LLM optimizado para el razonamiento diagnóstico, evaluando su capacidad para generar diagnósticos solo o como ayuda para los médicos. Veinte médicos evaluaron 300 casos clínicos desafiantes del mundo real. Cada informe fue leído por dos médicos, asignados aleatoriamente a asistencia de motores de búsqueda y recursos médicos estándar, o asistencia de LLM. Los resultados mostraron que el uso de LLM para el diagnóstico independiente superó al de los médicos sin asistencia (una precisión del 59,1 % frente al 33,6 %), seguido por el rendimiento de los médicos asistidos por el LLM (una precisión del 51,7 %). Esto abre la puerta para explorar más a fondo herramientas como LLM aplicadas en la práctica médica para aumentar la precisión diagnóstica.

Las imágenes médicas también desempeñan un papel crucial en el diagnóstico de patologías. Son claves tanto en la identificación de cambios en la piel por enfermedades, como en las imágenes complejas obtenidas por tomografías computarizadas (TAC) y en el análisis de láminas de patología, donde la entrada de algoritmos de IA se ha centrado en optimizar la detección de anormalidades basadas en imágenes. Esta mejora abarca una mayor precisión en diagnósticos, como la identificación de nódulos cancerosos pulmonares en radiografías de tórax o enfermedades cardiovasculares en exámenes de fondo de ojo, facilitando también la detección temprana de enfermedades imperceptibles para el ojo humano.

Un ejemplo familiar es el electrocardiograma (ECG), un examen diagnóstico ampliamente utilizado y de fácil acceso que demanda gran entrenamiento en el personal médico para su correcta interpretación. Este examen ha sido considerado durante mucho tiempo como una representación de la función eléctrica, mecánica y estructural del corazón. Sin embargo, con el uso de algoritmos de IA se ha demostrado que información adicional puede ser estimada del análisis del ECG, como la edad y el sexo del paciente, cambios en el volumen de sangre expulsada por el corazón (que hoy es medido por procedimientos más complejos como la ecocardiografía y otros métodos invasivos). Adicional a esto, varios estudios han mostrado que del ECG es posible predecir enfermedades no cardíacas en pacientes asintomáticos como diabetes, enfermedad renal o hipotiroidismo. Es importante resaltar que muchos de estos estudios requieren una validación posterior con un grupo de pacientes más grande y de forma prospectiva.

Otra de las aplicaciones de la IA es la especialidad de patología. En este campo se utilizan láminas al microscopio para estudiar muestras de tejido, establecer diagnósticos o evaluar la severidad de una enfermedad. El uso de la inteligencia artificial incluye reconocimiento de objetos, detección, segmentación y extracción de características de imágenes completas de láminas. Estas herramientas ayudan a los patólogos en tareas como evaluar biomarcadores inmunohistoquímicos, detectar células tumorales aisladas y estandarizar criterios de puntuación de severidad. Las ventajas abarcan una mejor reproducibilidad, objetividad y eficiencia en tareas como la cuantificación de biomarcadores, la predicción de pronósticos y respuestas a tratamientos. No obstante, todavía enfrenta varios desafíos como la necesidad de validar y estandarizar estas herramientas, la consolidación de bases de datos robustas con diversidad de tejidos normales (y anormales), y la implementación de estos algoritmos en la práctica clínica.

Además de transformar el diagnóstico, la IA beneficia la eficiencia médica al reducir el tiempo dedicado a tareas administrativas. En muchos casos, los médicos pasan el 80 % del tiempo detrás de un computador ingresando información. Herramientas que liberen esa carga mejoran la experiencia tanto de los pacientes como la de los profesionales de la salud. Este avance ya es una realidad en países como Estados Unidos, donde los médicos están optimizando su tiempo, permitiéndoles enfocarse más en la interacción con el paciente, aumentando la satisfacción con el servicio y disminuyendo el burnout médico.

Otro de los ámbitos importantes sobre la incorporación de la IA en medicina y biotecnología tiene que ver con las diferentes etapas de los ensayos clínicos (EC), en cuyos resultados se basa la gran mayoría de la práctica clínica. En la investigación preclínica (una de las primeras etapas de estos EC), la IA tiene potencial en el descubrimiento de objetivos y la predicción de toxicidad de nuevas moléculas para nuevos fármacos.

Similar a esto, la IA ha surgido como una herramienta valiosa para predecir resultados clínicos de pacientes, optimizar la duración del ensayo clínico y reducir el tamaño de las muestras, mejorando costos y tiempos, algo que generaría un gran impacto en la industria. Asimismo, la IA facilita el acceso en tiempo real a los datos de los participantes a través de tecnologías de salud digital, mejorando la supervisión de seguridad de la intervención que se está probando.

La educación médica es otra disciplina que será impactada por la IA, donde el uso de herramientas como Chat-GPT ha tomado más fuerza últimamente generando cambios en la manera de aprendizaje por parte de los estudiantes y especialistas en formación, que no se han previsto. Si bien esto genera muchas oportunidades para facilitar y potenciar el aprendizaje clínico, existen varias preocupaciones a corto y largo plazos.

En el corto plazo, sistemas como Chat-GPT han mostrado que pueden generar información basada en alucinaciones o confabulaciones. Las alucinaciones se refieren a percepciones falsas que pueden llevar a comportamientos aberrantes, como cuando un chatbot proporciona información factualmente incorrecta. Las confabulaciones en este contexto implican declaraciones semánticas, lógicamente generadas, pero fabricadas, como citar referencias que no existen. A largo plazo, preocupa la forma en que estos sistemas podrían influenciar en el aprendizaje al disminuir el tiempo que los médicos en formación escriben reportes, analizan resultados de laboratorio y establecen patrones de diagnóstico y tratamiento para cada uno de los pacientes necesarios para consolidar información y establecer patrones cognitivos.

Estos descubrimientos auguran un futuro emocionante para la práctica médica, mejorando la precisión diagnóstica, optimizando tiempos en los profesionales de la salud, ayudando a detectar tempranamente riesgos para desarrollar futuras enfermedades e identificando tratamientos personalizados. La colaboración multidisciplinaria entre expertos en bioinformática, las dinámicas médico-paciente y la investigación biomédica son una interacción clave para navegar por estas aguas complejas.

A medida que avanzamos en este campo, es esencial no solo celebrar los éxitos, sino también aprender de los fracasos e historias cautelares, manteniendo la transparencia para ganar la confianza de la comunidad médica y de los pacientes. Si bien existen muchos supuestos sobre estas herramientas que se encuentran lejos de la realidad, el camino hacia muchos de ellos está en construcción. (Lea En video: así preparan los alimentos los astronautas que están en el espacio)

En conclusión, la IA tiene el potencial de transformar radicalmente la medicina. Su implementación cuidadosa y ética es fundamental para garantizar beneficios sostenibles y seguros para la humanidad. El beneficio de estas herramientas no solo se encuentra basado en el paciente, sino también en los profesionales de la salud y el sistema de salud en general.

* MD, Msc, MBI Harvard Medical School, 21’; Stanford Biodesign, 23’; Universidad de los Andes, 15’ 18’