El uso de la inteligencia artificial ha incrementado durante los últimos meses, sin embargo, en el ramo de la medicina existen grandes avances desde hace varios años.
En 2015 Google dio sus primeros pasos en el aprovechamiento de la artificial intelligence (AI) aplicada en la medicina y en el cuidado de la salud. Sin embargo, fue hasta 2016 cuando su primer proyecto fue implementado. Tras coincidir con el Dr. Kim Ramasamy, en el Araving Eye Hospital de India, se dieron cuenta de los beneficios de utilizar AI para el cuidado de la salud, especialmente en aquellos lugares donde no hay suficientes especialistas para atender a toda la población.
En este sentido, el equipo de Google Health comenzó la idea de explorar el uso de AI para identificar la retinopatía diabética, y crearon un modelo de AI para ayudar a los oftalmólogos. Posteriormente, en 2018, el equipo se asoció con Verily y obtuvo la marca CE, de la Comisión Europea, para su sistema de Evaluación automatizada de enfermedades de la retina (ARDA, en inglés). A través de ARDA, se han examinado a más de 200 mil pacientes en clínicas de todo el mundo, desde ciudades urbanas europeas, hasta comunidades rurales en India.
De esta forma, luego de la implementación exitosa y efectiva de un modelo basado en AI como ARDA, Kasumi Widner, especialista en AI y gerente de programas de AI de salud en Google, describió cinco mitos y lecciones clave aprendidas por Google durante este proceso.
- Mito: Cuantos más datos, mejor
Widner explica que el volumen de datos es importante para desarrollar un modelo preciso, sin embargo, lo más importante es la calidad de los datos. Los datos de entrenamiento deben representar la diversidad del mundo real, por ejemplo, datos demográficos de los pacientes.
- Mito: los expertos en AI son todo lo que necesitas
Widner reconoce que la construcción de un sistema médico de AI se requieren varios equipos multidisciplinarios para hacerlo funcionar, por ejemplo, médicos, diseñadores, investigadores, expertos en regulaciones éticas y legales.
- Mito: el alto rendimiento de la AI equivale a confianza clínica
Validar un modelo de AI en un entorno controlado no garantiza que tendrá el mismo rendimiento en un entorno clínico no controlado. Se requieren validaciones cuidadosas en entornos clínicos reales para garantizar un rendimiento óptimo de un modelo.
- Mito: es fácil adaptar la AI a los flujos de trabajo existentes
“Necesitamos diseñar la AI en torno a los humanos, no al revés. A veces, los mejores casos de uso de AI pueden ser diferentes a las suposiciones originales”, explicó Widner. Asimismo, resaltó que agregar AI a un flujo de trabajo provocó ajustes inesperados en procesos clínicos generales en algunos casos. También hemos observado que agregar AI a un flujo de trabajo a veces provocó ajustes inesperados en los procesos clínicos generales, como la optimización en la educación del paciente y la programación del paciente.
- Mito: el lanzamiento es sinónimo de éxito
El modelo puede cambiar después del lanzamiento inicial, y estos factores pueden alterar su rendimiento, por lo que implementar un sistema que realice monitoreos del rendimiento del modelo es ideal para ayudar a detectar tempranamente cualquier tipo de problema con el modelo.
