Modelo de IA desarrollado por la Universidad Estatal de Ohio, compara la efectividad de medicamentos sin necesidad de ensayos clínicos.
Científicos de la Universidad Estatal de Ohio (OSU, en inglés) diseñaron un nuevo modelo de inteligencia artificial (IA), que emula los ensayos clínicos para determinar las mejores opciones de tratamiento para prevenir infartos en personas con enfermedades cardiovasculares. El modelo fue elaborado con datos de millones de pacientes.
El modelo, que utiliza datos de millones de pacientes obtenidos de solicitudes de salud presentadas por empleadores, planes de salud y hospitales, se basa en una estrategia similar a las herramientas de IA generativa como ChatGPT. Inicialmente, se pre-entrenó el modelo con un gran volumen de datos generales y, posteriormente, se ajustó con información específica sobre condiciones de salud y tratamientos, enfocándose en el riesgo de accidentes cerebrovasculares.
El equipo de la OSU, liderado por Ping Zhang, profesor asociado de informática e ingeniería biomédica, reportó en un estudio publicado en la revista Patterns que su modelo superó a siete modelos existentes y ofreció recomendaciones de tratamiento consistentes con cuatro ensayos clínicos aleatorios. Según Zhang explicó que: “Ningún algoritmo existente puede realizar este trabajo”.
“Cuantitativamente, nuestro método aumentó el rendimiento entre un 7% y un 8% con respecto a otros métodos. Y la comparación demostró que otros métodos podían inferir resultados similares, pero no pueden producir un resultado exactamente igual al de un ensayo clínico aleatorizado. Nuestro método sí puede”, agregó Zhang.
Cabe destacar que, el propósito del modelo no es reemplazar los ensayos clínicos tradicionales, sino acelerar el proceso de identificación de tratamientos efectivos, ahorrando tiempo y dinero, y personalizar la atención médica.
Por su parte, Ruoqi Liu, estudiante de doctorado y primera autora del estudio, señaló que el modelo podría ayudar a identificar un pequeño grupo de medicamentos candidatos para ensayos clínicos a menor escala.
El marco propuesto, denominado CURE (CaUsal tReatment Effect estimation), se pre-entrena con grandes volúmenes de datos no etiquetados del mundo real, lo que le permite adaptarse rápidamente a diferentes enfermedades y medicamentos mediante ajustes específicos. Este enfoque fue posible gracias a datos des-identificados de MarketScan Commercial Claims y Encounters entre 2012 y 2017, que incluyeron información sobre 3 millones de pacientes.
Asimismo, este modelo utiliza técnicas avanzadas como el uso de gráficos de conocimiento biomédico para llenar lagunas en los registros de pacientes y pre-entrenar un modelo de datos sinérgicos a escala. Estas técnicas mejoraron aún más el rendimiento del modelo.
Zhang visualiza un futuro en el que, con la aprobación de la Adminsitracion de Alimentos y Medicamentos (FDA, en inglés) los médicos puedan utilizar este tipo de algoritmo como una herramienta de apoyo en la toma de decisiones, cargada con datos de registros electrónicos de salud de millones de personas. Este prometedor modelo aprovecharía las capacidades que la IA basada en grandes datos y modelos fundacionales tiene para proporcionar estrategias de tratamiento confiables.
