Investigadores de la Facultad de Medicina de Harvard, publicaron un artículo que detalla algunos desafíos que persisten en la implementación de herramientas de Inteligencia Artificial (IA) en salud.
Gracias a la IA, se han logrado diversos avances en la investigación clínica, y además ha sido un asunto de especial interés entre la comunidad científica médica. No obstante, su verdadero alcance e impacto en los resultados de pacientes en entornos clínicos no suele medirse correctamente.
Investigadores de la Facultad de Medicina de Harvard, publicaron la editorial “Cruzando el abismo del rendimiento del modelo al impacto clínico: la necesidad de mejorar la implementación y evaluación de la IA”, en npj Digital Medicine. El documento, muestra el limitado alcance de la IA en el campo clínico. Los autores revisaron 65 ensayos controlados aleatorios de estudios de intervenciones clínicas basadas en IA.
Su análisis mostró que no había beneficio clínico de usar herramientas de IA en comparación con atención estándar en casi el 40% de los estudios. Las herramientas de IA utilizadas fueron, modelos predictivos de aprendizaje profundo y aprendizaje automático que sustituían a las calculadoras de riesgo de estadísticas.
“La adopción limitada por parte de los usuarios, debido a la falta de confianza del médico y la interpretabilidad del modelo, entre muchas otras razones, se ha citado durante mucho tiempo como una barrera clave para el impacto clínico”, explican los autores.
Los autores consideran una IA exitosa aquella que desencadena un flujo de trabajo personalizado, es decir que la predicción utilizando IA, debe mejorar la intervención humana, para que tenga un impacto clínico positivo. “Debemos desarrollar métodos para identificar sistemáticamente la mejor intervención posible para emparejar con una predicción precisa”, explican en la editorial.
Otro aspecto importante para mejorar los beneficios clínicos de la IA, es desarrollar nuevas formas para su evaluación, que sean menos costosos y además se realicen en menos tiempo. La evaluación puede realizarse a través de información en bases de datos, registros clínicos electrónicos, entre otros.
Por ejemplo, la Administración de Medicamentos y Alimentos de Estados Unidos, utiliza datos reales para informar sobre decisiones regulatorias sobre medicamentes o dispositivos médicos.
“Las aplicaciones ampliadas, las definiciones más amplias de beneficio clínico, los nuevos métodos de evaluación y las intervenciones personalizadas son solo algunas de las muchas consideraciones posibles que pueden ayudar a cerrar la brecha entre el rendimiento predictivo in silico y la utilidad en el mundo real”, concluyen los autores.
