octubre 2022

Un grupo de investigadores médicos de la Universidad de Iowa en Estados Unidos, se encuentra desarrollando un dispositivo mecánico basado en Inteligencia Artificial (IA) para realizar procedimientos simples de radiología intervencionista (IR) La aplicación de la IA en el campo de la salud y específicamente de la radiología se está convirtiendo en una realidad en la Universidad de Iowa (UI). El objetivo de implementar una herramienta de IA para la realización de tareas de radiología intervencionista, responde a dos razones principales: desafíos del personal médico y la limitación de riesgos innecesarios para el personal. El Dr. Sandeep Laroia, radiólogo intervencionista, explicó que han logrado resultados prometedores por el momento, que incluso los ha hecho acreedores de una subvención de innovación para Pequeñas Empresas de la Fundación Nacional de Ciencias (NSF). Asimismo, la subvención se trata apenas de la Fase I, por lo que son elegibles para otra subvención en la Fase II que proporcionaría un impulso mayor al proyecto, ya que recibirían 1.5 millones de dólares. La IR permite realizar intervenciones de diagnóstico y tratamiento utilizando técnicas poco invasivas como catéteres, cables guía, y otros dispositivos. En este sentido, el equipo de la UI se encuentra preparando un algoritmo que permita que un mecanismo actúe de manera lógica e “inteligente” para realizar tareas básicas. “Tal vez el dispositivo hace el procedimiento por sí solo o tal vez yo comienzo el procedimiento y me avisa cuando está terminado”, explica Laroia. Sin embargo, reconoció la importancia de contar con el toque humano en la atención médica, aunque resaltó la necesidad de este tipo de tecnologías y mantener un balance. “En una pandemia, por ejemplo, queremos limitar la exposición, para que podamos mantenernos saludables a nosotros mismos y al paciente, por el bien de proteger a nuestro personal, pero también porque debemos estar ahí para nuestros pacientes”, explicó. También destacó la necesidad de descentralizar los tratamientos, especialmente para aquellas personas que viajan desde zonas rurales para someterse a estudios y/o tratamientos específicos. Laroia enfatizó en que este tipo de procedimientos radiológicos no deben estar disponibles solamente en zonas urbanas. “Uno de los desafíos que seguimos enfrentando es brindar tratamientos avanzados a los pacientes. Estamos buscando formas de seguir brindando nuestra atención de alta calidad, pero en los vecindarios de los pacientes”, concluyó. BIBLIOGRAFÍA U IOWA https://medcom.uiowa.edu/theloop/news/no-longer-science-fiction-artificial-intelligence-makes-its-way-to-interventional-radiology

University of Florida Health (UF Health) y el Sistema de Salud de la Universidad de Pennsylvania (Penn Medicine), están desarrollado una serie de algoritmos basados en Inteligencia Artificial (IA), para encontrar patrones de enfermedades raras o poco frecuentes en expedientes médicos electrónicos de pacientes. Investigadores de UF Health y de Penn Medicine han trabajado en una técnica de algoritmos que identifican analizan expedientes médicos electrónicos para identificar a pacientes con riesgo de desarrollar ciertas enfermedades raras o poco comunes. Este tipo de pacientes se les conoce como cebras, y cuentan con un conjunto de trastornos heredados que afectan a la piel, articulaciones y vasos sanguíneos. En Estados Unidos, las enfermedades raras son aquellas que se presentan en menos de 200 mil personas en todo el país. En Estados Unidos se han registrado alrededor de 7 mil enfermedades raras las cuales representan un desafío en su diagnóstico. El Dr. Jiang Bian de UF Health explica que “algunos pacientes con enfermedades raras pueden no ser diagnosticados ni tratados durante años”. Por ello es importante desarrollar soluciones que faciliten la identificación de estos pacientes y sus enfermedades. Los Institutos Nacionales de Salud (NIH), proporcionaron una subvención de 4.7 millones de dólares a investigadores de Penn Medicine y UF Health, para el desarrollo de modelos de IA que permitan analizar registros médicos y detectar señales de alerta de enfermedades raras. El método de predicción desarrollado por estas instituciones fue llamado PANDA: análisis predictivo a través de algoritmos distribuidos en red para enfermedades multisistémicas (en inglés). “Este es un emocionante paso adelante, basado en nuestro marco PDA actual, desde la generación de evidencia clínica hacia las intervenciones informadas por IA en la toma de decisiones clínicas”, dijo el Dr. Yong Chen. Asimismo, añadió que los médicos en la atención primaria son los que enfrentan mayores desafíos ante estas enfermedades. UF Health, explica que entre los desafíos en el diagnóstico que enfrentan los médicos y sus pacientes están el cómo las enfermedades raras pueden esconderse o identificarse como otras enfermedades comunes. De igual forma los profesionales médicos pueden verse obstaculizados por la falta de acceso a los datos o a otros médicos con los que trabaja el paciente y de esta forma ignorar ciertos patrones o señales de alerta. Asimismo, Bian explicó que “La creciente disponibilidad de datos del mundo real, como los registros de salud electrónicos recopilados a través de la atención de rutina, brinda una oportunidad de oro para generar evidencia del mundo real para informar la toma de decisiones clínicas”. De igual forma resaltó la importancia de aprovechar las grandes colecciones de datos del mundo real, como es el caso de PANDA. BIBLIOGRAFÍA UF HEALTH https://ufhealth.org/news/2022/researchers-will-use-ai-predict-who-may-develop-certain-rare-diseases

Un modelo de Inteligencia Artificial (IA), fue desarrollado por científicos en Estados Unidos, para predecir las hospitalizaciones no planeadas en pacientes que se encuentran en tratamientos de radiación contra el cáncer. El 24 de octubre, durante la reunión anual de la Sociedad Estadounidense de Oncología Radioterápica (ASTRO), fue presentado un estudio que detalla un modelo de IA que podría predecir la posibilidad de que un paciente con cáncer en tratamiento con radioterapia, ingrese al hospital de manera no planeada. El estudio presenta un modelo de aprendizaje automático que cuenta los pasos realizados por los pacientes con cáncer antes y después de someterse a tratamiento. La ASTRO, explica que entre el 10 y 20% de los pacientes que se someten a tratamientos de radioterapia yo quimio radiación, requieren atención en el departamento de emergencias o un ingreso al hospital durante su tratamiento. Estas hospitalizaciones no son planificadas, y son un desafió para los pacientes como para los especialistas, ya que provoca interrupciones en el tratamiento contra esta enfermedad y puede modificar los resultados clínicos del mismo. “Si puede anticipar el riesgo de hospitalización no planificada de un paciente, puede cambiar la forma en que lo apoya durante sus tratamientos contra el cáncer y reducir la probabilidad de que termine en el servicio de urgencias o en el hospital”, dijo el Dr. Julian Hong, autor principal del estudio y profesor de oncología radioterápica en la Universidad de California, San Francisco. Previo a este estudio, el equipo del Dr. Hong probó un algoritmo de aprendizaje automático que fue entrenado con datos de salud, como historial de cáncer y su tratamiento, el cual pudo identificar a pacientes con mayor riesgo de registrar una visita a urgencias durante su tratamiento. De esta forma, el nuevo estudio recupera diversos enfoques de aprendizaje automático combinado con datos de dispositivos móviles como wearables, para monitorear la actividad física de los pacientes. El estudio realizó tres ensayos clínicos con 214 pacientes, en cada ensayo los pacientes utilizaron wearables que monitorearon durante varias semanas su actividad física, mientras recibieron quimioradioterapia. Además, los pacientes incluyeron diversos tipos de cánceres, como de cabeza y cuello o de pulmón. El estudio utilizó un modelo de aprendizaje automático que analiza grandes cantidades de información, su objetivo final fue predecir la probabilidad de que un paciente fuera hospitalizados durante la próxima semana a los datos registrados en las dos semanas previas. Los predictores incluyeron características del paciente como su edad, estado funcional, así como la actividad física, como pasos diarios, todo esto antes y después del tratamiento. el primer modelo fue probado sin tomar en cuenta los pasos en 151 pacientes y el segundo integró el conteo de pasos fue probado en 63 pacientes, el cual finalmente superó significativamente al primero en la predicción de la hospitalización la semana siguiente. “El conteo de pasos inmediatamente anterior a la ventana de predicción terminó siendo generalmente más predictivo que las variables clínicas. La naturaleza dinámica de los conteos de pasos, el hecho de que están cambiando todos los días, parece convertirlos en un indicador particularmente bueno del estado de salud de un paciente”, dijo el Dr. Hong. Los datos de actividad física, en específico de los pasos, durante los últimos dos días, fueron una de las variables más importantes del modelo. “Una de las partes únicas de este modelo es que está diseñado para ser una predicción continua”, explicó la Dra. Isabel Friesner, también autora principal del estudio. De esta manera, el estudio demostró que la recopilación de este tipo de datos es sumamente valiosa, sobre todo porque son recopilados por los mismos pacientes durante sus actividades cotidianas. A futuro, los investigadores y su equipo buscarán explorar estudios relacionados con la recopilación de otras métricas como la frecuencia cardiaca, también obtenidas través de wearables y dispositivos portátiles. BIBLIOGRAFÍA NEWS WISE https://www.newswise.com/articles/ai-model-using-daily-step-counts-predicts-unplanned-hospitalizations-during-cancer-therapy

El uso de tecnologías digitales continúa incrementándose en diversas especialidades quirúrgicas, sin embargo, no existe una definición exacta sobre el término “cirugía digital”. Las nuevas tecnologías digitales aplicadas en salud, como la realidad virtual y aumentada, la Inteligencia Artificial (IA), la robótica, el uso de algoritmos para la predicción de enfermedades, medicina de precisión, entre otras herramientas, persiguen metas similares, como mejorar los resultados para los pacientes y mejorar el rendimiento de los equipos médicos. A pesar de que la cirugía digital es un término emergente, sigue sin haber un consenso sobre su definición, ya que además de términos de tecnologías médicas también contempla términos como la privacidad, confianza, consenso, entre otros. En un estudio que utilizó el método Delphi, 38 expertos definieron la cirugía digital como “el uso de la tecnología para mejorar la planificación preoperatoria, el rendimiento quirúrgico, el apoyo terapéutico o la capacitación para mejorar los resultados y reducir los daños”. Sin embargo, el concepto se divide en dos partes, primero la cirugía es una intervención clínica de alto riesgo, esta depende de análisis en tiempo real de datos, por lo que los médicos necesitan una estandarización de las tecnologías emergentes para la mitigación de riesgos. En segundo lugar, la cirugía digital no solo se refiere a la tecnología y su aplicación dentro de la cirugía, sino a un cambio de paradigma cultural y en la práctica de la cirugía. Asimismo, los aspectos éticos y de gobernanza de datos relacionados con las tecnologías digitales en cirugía se encuentran con diversas limitaciones, ya que existe poco abordaje sobre estas cuestiones en trabajos de investigación o marcos regulatorios, por ejemplo. La privacidad y el almacenamiento de los datos también es un tema de particular relevancia para lograr consenso en la definición de cirugía digital.  Porque además se trata de un tema relacionado con generar confianza con los pacientes y usuarios.  Esto también se logra a través de un procedimiento de consentimiento que especifique el alcance de la recopilación de datos de pacientes, quiénes tendrán acceso, por qué y para qué se recopilan, entre otras cuestiones. Especialistas de la Facultad de Medicina de Harvard, explican que las organizaciones médicas, legales y políticas, deben establecer estándares de responsabilidad legal con el uso de herramientas de cirugía digital. “La digitalización de la cirugía llegó para quedarse. Junto con las inversiones en infraestructura y el desarrollo de acuerdos de intercambio de datos, se deben enfrentar y estandarizar los problemas de privacidad y confianza pública, el consentimiento y la responsabilidad para capitalizar el potencial de la cirugía digital”, explican los especialistas de Harvard en una editorial publicada en npj Digital Medicine. BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41746-022-00706-6 https://www.nature.com/articles/s41746-022-00641-6 NJN MEDTECH https://www.jnjmedtech.com/en-US/jjmd-stories/future-digital-surgery

Los Institutos Nacionales de Salud (NIH), otorgaron fondos a la Universidad de Miami para el desarrollo de algoritmos y bases de datos que tengan como objetivo identificar y reducir disparidades de salud. Las disparidades de salud son definidas por los Centros para el Control y Prevención de Enfermedades (CDC), como las diferencias prevenibles en la carga de enfermedades, lesiones, violencia u oportunidades para lograr una salud óptima, que experimentan las poblaciones socialmente desfavorecidas. Generalmente estas disparidades se definen por factores como el origen étnico, la educación, el género, ingresos, discapacidad, ubicación geográfica u orientación sexual. Por ejemplo, hay enfermedades que afectan más a ciertas poblaciones y las herramientas de diagnóstico no están disponibles en ciertas zonas geográficas, o el acceso a medicamentos es complicado debido a su costo. Las soluciones informáticas como la Inteligencia Artificial (IA) o algoritmos para la recopilación de datos, tienen el potencial de identificar las disparidades en salud y cómo evitar que sigan aumentando. En este sentido, los NIH, crearon en julio el programa AIM-AHEAD del Consorcio de Inteligencia Artificial/Aprendizaje de Máquinas para Promover la Equidad en Salud y la Diversidad de Investigadores. El objetivo de este programa es reducir las disparidades de salud a través de la creación de algoritmos y bases de datos novedosos, que reflejen la diversidad de la población en Estados Unidos. El Instituto de Ciencia de Datos y Computación (IDSC) de la Universidad de Miami es uno de los institutos seleccionados para encabezar este programa. “La mayoría de nuestros datos actuales están sesgados y, a menudo, las personas que recopilan estos datos no representan a todas las minorías y diferencias culturales”, dijo Nick Tsinoremas, vicerrector de ciencia de datos e informática de la Universidad. Tsinoremas explicó que no solo quieren eliminar dichos sesgos, sino también crear una infraestructura que motive a que instituciones que sirven a minorías realicen investigaciones para crear enfoques más equitativos e imparciales. De esta forma, el IDSC recibió una subvención de 1.3 millones de dólares para trabajar con colegios y universidades que históricamente han representado a la población afroamericana. También trabajaran con instituciones de salud que atienden a esta población, y colaborarán en la mejora de sus registros de salud electrónicos y así poder generar los datos que requieren para crear algoritmos que favorezcan la reducción de las disparidades de salud. “Si realmente queremos abordar las disparidades de salud en Florida que nos hacen únicos, como la alta prevalencia de enfermedades cardiovasculares y demencia, necesitamos construir una red más grande para realmente resolver esos problemas”, explicó Azizi Seixas profesor de psiquiatría en la Escuela de Medicina Milles y director del programa de informática de salud de la población del IDSC. BIBLIOGRAFÍA UNIVERSITY OF MIAMI https://news.miami.edu/stories/2022/10/university-joins-national-effort-to-make-health-care-data-more-inclusive.html HEALTH IT ANALYTICS https://healthitanalytics.com/news/university-gets-funding-for-ai-driven-projects-to-mitigate-health-disparities