Actores tecnológicos, Inteligencia Artificial y actores sanitarios

Los actores tecnológicos han unido fuerzas con grandes grupos de atención sanitaria en iniciativas de Inteligencia Artificial aplicada a la medicina. La Cooperación entre actores tecnológicos, inteligencia artificial y actores sanitarios puede dar lugar a sinergias con un «potencial inmenso». Estas pueden mejorar el acceso a la sanidad y el tratamiento de los pacientes.

Enseñanzas aprendidas

Según un artículo publicado en marzo de 2023 en JACR (Journal of the American College of Radiology), podemos extraer una serie de enseñanzas sobre estas empresas conjuntas. Los autores, Juan Lavista y Linda Chu proceden, respectivamente, de Microsoft Corp. y de la Universidad John Hopkins.

  • Simplicidad. «Si quieres impresionar, tu solución puede ser compleja… pero, si lo que quieres es lograr un impacto en el mundo, entonces tu solución debe ser lo bastante simple como para ser implementada.»
  • Para ciertos problemas mundiales, la IA es la única solución posible a día de hoy. En este sentido, la IA se ha utilizado con éxito (con una precisión del 97%) para diagnosticar trastornos prevenibles como la retinopatía diabética en regiones que carecen de oftalmólogos. No obstante, los autores advierten que la IA, a pesar de su prometedor potencial, también presenta retos y limitaciones propias.
  • El conocimiento y competencias en IA, por sí solo, no resuelve problemas; es necesario colaborar con los expertos médicos (como ya hemos apuntado desde ASD en numerosas ocasiones, como por ejemplo aquí). Según los autores, el Machine Learning es excelente para la predicción y correlación, más no en la identificación de causas.
  • De igual modo, numerosas organizaciones cuentan con expertos médicos, pero no pueden contratar o atraer el talento en IA necesario para resolver estos problemas. De hecho, la mayoría de organizaciones médicas carece de la capacidad o la infraestructura para contratar talento especializado en IA. En otras palabras: la IA no deja de avanzar y desarrollarse a pasos agigantados, pero su aplicación práctica a numerosos problemas globales sigue siendo una tarea pendiente a causa de esta falta de colaboración multidisciplinar.
  • Los datos no son infalibles: la mayoría de datos que recopilamos tienen sesgo. Si no lo comprendemos y los tenemos en cuenta, nuestros modelos no serán correctos.
  • Tendemos a olvidar que correlación o poder predictivo no implica causalidad; el hecho de que dos variables estén correlacionadas no implica que una cause la otra. Debemos comprender que la mayoría de personas ignora la diferencia entre correlación y causalidad.
  • Los modelos son muy buenos haciendo trampas. Aquí los autores citan un estudio de un modelo de IA que fue «entrenado» para distinguir entre cáncer de piel y lesiones benignas. El modelo, en apariencia, logró niveles similares a los de un dermatólogo. No obstante, muchos de los casos positivos tenían una regla de medir en la foto, mientras que los casos negativos no la tenían, con lo que el modelo de IA «aprendió» a asociar la regla con muestra de cáncer dermatológico.
  • El acceso a los datos es uno de los mayores desafíos a los que nos enfrentamos. Buena parte de los datos médicos no están al alcance de los investigadores por motivos de privacidad. Sin embargo, hay una buena noticia: con imágenes sintéticas que preservan la privacidad es posible generar datos sintéticos realistas, entre ellos imágenes médicas, sin que ello afecte a la privacidad de los individuos.

Conclusión

En conclusión, la IA y el machine learning abren numerosas oportunidades de avance en el campo de la radiología. Sin embargo, estos avances dependerán de la colaboración con los radiólogos y sus competencias médicas. La convergencia entre radiólogos e IA proporcionarán los mejores resultados para los pacientes. La transformación digital en salud, sigue siendo, a día de hoy, una asignatura pendiente. Tiene un potencial muy elevado, pero, por una serie de razones, todavía está lejos de culminar su verdadero nivel. Esto se debe a dos causas fundamentales: formación y liderazgo. La transformación digital debe ser liderada por los expertos del campo de la medicina, no por los  actores tecnológicos.