Globant patrocinó el 9 de octubre la Duke Summit on AI for Health Innovation, organizada por Duke AI Health y Duke Pratt School of Engineering. Los tres días de la cumbre reunieron a médicos de Duke Health, profesores de la Universidad de Duke, ingenieros e innovadores, así como a líderes del sector de organizaciones como Johnson & Johnson, LabCorp, IBM, NVIDIA, Mark III Systems y Globant para debatir sobre el potencial de la IA en el futuro de la atención sanitaria y los riesgos y desafíos asociados a ella. Basia Coulter, socia del Healthcare and Life Sciences Studio, compartió la experiencia de Globant en el diseño y la creación de soluciones de IA para el sector de la salud y las ciencias de la vida durante una mesa redonda sobre las experiencias del sector con la IA sanitaria.
De las numerosas presentaciones, mesas redondas y sesiones de trabajo, se destacaron cuatro temas:
- Aplicaciones prácticas de la IA en el sector de la salud
Los panelistas y ponentes hicieron hincapié en la importancia de la utilidad clínica y no solo en la validez técnica de la IA. Estos son algunos de los ejemplos que se mostraron de aplicaciones prácticas y útiles de la IA en la atención sanitaria:
- Monitoreo de la sepsis: Un modelo desarrollado en Duke que predice la aparición de la sepsis horas antes de que sea crítica, lo que ayuda a los médicos a tomar medidas preventivas.
- Lector automático de electrocardiograma: Modelos de IA lo suficientemente buenos en el contexto de un servicio de urgencias como para determinar si una persona está sufriendo un infarto o no (sin embargo, estas herramientas no son útiles para identificar distintos tipos de arritmia u otras sutilezas en el electrocardiograma).
- Extracción de datos SDOH: El uso de LLM como GPT-4 o Llama 3.1 para extraer datos SDOH de notas clínicas no estructuradas para la evaluación de trasplantes y las autorizaciones previas para la cirugía.
- Extracción de datos para documentación clínica: Se aplican grandes modelos lingüísticos (LLM) para extraer variables clínicas de notas médicas no estructuradas con el fin de agilizar el ingreso de datos, reducir errores y permitir el intercambio de datos entre instituciones. También se utilizan para crear sistemas de autocompletado personalizados para cada paciente, lo que ayuda a los médicos a llevar registros de forma más eficaz sin aumentar su carga de trabajo.
- Optimización de la utilización de recursos: Modelos de IA que predicen durante cuánto tiempo se necesitará un quirófano, cuánto tiempo permanecerá un paciente determinado en el hospital, qué suministros deben reponerse o sustituirse y cuándo, etc.
- Wearables y biomarcadores digitales: Se usa la IA para establecer la relación entre los resultados de salud y los datos recogidos continuamente con dispositivos wearables.
- Crear confianza en la IA
Se señaló que la confianza es un obstáculo clave para la adopción de la IA en la atención sanitaria. Durante la cumbre, ponentes, panelistas y participantes identificaron factores que pueden ayudar a generar confianza entre médicos y pacientes:
- Evaluación y supervisión de modelos: Se puede generar confianza garantizando una evaluación rigurosa de las herramientas de IA y una supervisión posterior a su implementación. De este modo, los médicos, los usuarios finales y los pacientes pueden comprobar que los modelos de IA funcionan siempre según lo esperado, tanto durante el entrenamiento como en contextos reales.
- Transparencia y mitigación de sesgos: Hacer que los modelos de IA sean más transparentes, en especial en la forma en que manejan los datos de entrenamiento y la toma de decisiones, ayuda a generar confianza. Aunque el sesgo no puede eliminarse por completo, las plataformas de código abierto para desarrollar y probar modelos pueden ayudar a garantizar la equidad y la precisión en diferentes grupos de pacientes. La mitigación de sesgos también puede lograrse mediante flujos de trabajo en los que se despliegan modelos de IA.
- Casos de uso claros: La IA debe resolver problemas tangibles y encajar en los flujos de trabajo existentes. Las herramientas de IA más exitosas son las que se centran en la extracción de información procesable, como los datos de los determinantes sociales de la salud a partir de historiales clínicos, mientras que las menos útiles son las vinculadas a áreas como la predicción de riesgos, que a menudo carecen de medidas procesables asociadas.
- Colaboración interfuncional e implicación de las partes interesadas
Se destacó el papel de la colaboración interdisciplinaria como requisito para diseñar y desarrollar herramientas de IA útiles que funcionen:
- Unir disciplinas: La IA en el sector sanitario puede aplicarse con éxito cuando colaboran expertos en medicina, ingeniería y otros campos. Se sugirió la colaboración por diseño (cuando el equipo o la estructura organizativa fomentan la colaboración) para tender puentes entre distintas disciplinas.
- Humildad y curiosidad: El éxito de la colaboración requiere la voluntad de plantear preguntas ingenuas y aprender unos de otros. Establecer un lenguaje común entre disciplinas es esencial para fomentar la comprensión y la resolución de problemas.
- Participación de las partes interesadas: La participación de los usuarios finales y las partes interesadas que se ven afectadas por el uso de las herramientas de IA (como médicos, pacientes y cuidadores) en las primeras fases del proceso de desarrollo garantiza que las herramientas de IA se diseñen para responder a las necesidades del mundo real. Las soluciones que se ajustan a los flujos de trabajo y desafíos reales tienen más probabilidades de éxito.
- Desafíos en la implementación y adopción de la IA
Se debatieron varios desafíos relacionados con la implementación y adopción de la IA en la sanidad:
- Calidad y sesgo de los datos: La calidad de los datos utilizados para entrenar modelos de IA es crucial. El sesgo implícito en los datos y los cambios de conjunto de datos pueden afectar gravemente al rendimiento del modelo cuando la distribución de los datos utilizados para entrenar un modelo difiere de la distribución de los datos que el modelo encuentra en el mundo real. La evaluación continua es necesaria para prevenir estos problemas.
- Integración de la IA en los flujos de trabajo: Para su adopción generalizada, las herramientas de IA deben integrarse perfectamente en los flujos de trabajo clínicos existentes. Si los flujos de trabajo son inestables o caóticos, incorporar IA puede agravar los problemas existentes en lugar de resolverlos.
- Escalabilidad: La escalabilidad se perfila como un desafío importante a la hora de implementar la IA en la atención sanitaria, sobre todo debido a la necesidad de procesar y gestionar enormes cantidades de datos, acabar con los silos de datos existentes y fomentar la colaboración entre disciplinas.
- Confianza y viabilidad: Aunque un modelo funcione bien desde el punto de vista técnico, también debe conducir a resultados claros y viables. Las herramientas que no proporcionan información útil y práctica tienen menos probabilidades de ser adoptadas por los profesionales sanitarios.
Los tres días de presentaciones y debates entre grupos interdisciplinarios de expertos pusieron de manifiesto que, si bien la IA ofrece un potencial apasionante, es necesario que se construya con un propósito, se oriente a la acción y genere confianza para mejorar realmente los resultados de la atención sanitaria. A pesar de los desafíos existentes, el sentimiento general era optimista.
La IA ya está aquí y marcará el futuro de la salud. Su rol no consiste en sustituir a los humanos, sino en eliminar defectos, errores y residuos, aumentando al mismo tiempo la cognición humana para permitir nuevos conocimientos y descubrimientos que impulsen tratamientos personalizados y mejores resultados para los pacientes.
Descarga el último informe de Globant para descubrir cómo la convergencia de la analítica de datos, la IA y las innovaciones centradas en el usuario están transformando los enfoques tradicionales de gestión de la salud y creando experiencias excepcionales para los pacientes.
