octubre 2023

La nueva publicación de la OMS resalta la importancia de establecer sistemas de IA basados en principios de seguridad y eficacia. La Organización Mundial de la Salud (OMS) publicó un documento que detalla las consideraciones regulatorias clave acerca de la inteligencia artificial (IA) para la salida. Esta publicación resalta la importancia de la seguridad y eficacia de los sistemas y modelos de IA, y la necesidad de fomentar el diálogo entre las partes interesadas, incluyendo a reguladores, desarrolladores, fabricantes, trabajadores de la salud y pacientes. La OMS se enfoca en promover la salud y mejorar el acceso a la atención médica mediante su Estrategia Global de Salud Digital 2020-2025. En este sentido, la OMS busca acelerar el desarrollo y la adopción de soluciones de Salud Digital centradas en las personas para prevenir, detectar y responder a epidemias y pandemias, alineándose con los Objetivos de Desarrollo Sostenible de las Naciones Unidas. Esta transformación digital de la atención médica, incluye el uso de IA, una herramienta que tiene el potencial de mejorar los diagnósticos médicos, las terapias digitales, los ensayos clínicos y el conocimiento basado en evidencia. El documento Consideraciones para la regulación de la inteligencia artificial para la salud, define a la IA como una rama de la informática que permite a las computadoras aprender y tomar decisiones a través de algoritmos y datos. El mismo documento detalla que, con la creciente disponibilidad de datos de salud y los avances en análisis, la IA tiene el potencial de transformar el sector de la salud. El documento destaca diversas aplicaciones clave de la IA en el cuidado de la salud y en el desarrollo terapéutico, especialmente en tres categorías: Prevención de enfermedades y promoción de la salud, la cual incluye tareas de vigilancia, cribado y diagnóstico; prestación de asistencia sanitaria, que incluye la asignación de recursos y la gestión del cuidado de la salud, tratamiento y triaje y seguimientos de cuidado; y desarrollo y descubrimiento de medicamentos a través de la IA es posible el descubrimiento, desarrollo y la investigación preclínica, desarrollo clínico y monitoreo después de lanzarse al mercado. Por otra parte, la OMS destaca seis áreas clave para las consideraciones regulatorias: Documentación y transparencia Gestión de riesgos y enfoques del ciclo de vida de desarrollo de sistemas de IA Uso previsto y validación analítica y clínica Calidad de datos Privacidad y protección de datos Compromiso y colaboración Para promover la confianza, en la IA, la OMS destaca la importancia de la transparencia y la documentación, que incluye registrar todo el ciclo de vida del producto y rastrear los procesos de desarrollo. Para la gestión de riesgos, es esencial abordar de manera integral asuntos como el uso previsto, el aprendizaje continuo, intervenciones humanas, entrenamiento de modelos y amenazas cibernéticas, y recomiendan mantener los modelos lo más simples posible. En este sentido, la validación externa de datos y una clara definición del uso previsto de la IA ayudan a garantizar la seguridad y facilitar la regulación de la IA en salud. De igual forma el compromiso con la calidad de los datos, la cual se logra a través de la evaluación rigurosa de los sistemas antes de su lanzamiento, un aspecto fundamental para evitar que los sistemas amplifiquen sesgos y errores. El documento también aborda desafíos planteados por regulaciones importantes y complejas, como el Reglamento General de Protección de Datos (GDPR, en inglés) en Europa y la Ley de Portabilidad y Responsabilidad del Seguro Médico (HIPAA, en inglés) en Estados Unidos, con énfasis en comprender el alcance de la jurisdicción y los requisitos de consentimiento, en función de la privacidad y la protección de datos. Finalmente, promover la colaboración entre organismos reguladores, pacientes, profesionales de la salud, representantes de la industria y socios gubernamentales puede garantizar que los productos y servicios cumplan con las regulaciones a lo largo de su ciclo de vida. “La OMS reconoce el potencial de la IA para mejorar los resultados sanitarios mediante la mejora de los ensayos clínicos, el diagnóstico médico, el tratamiento, la autogestión de los cuidados y la atención centrada en la persona, así como la creación de más conocimientos basados en la evidencia, habilidades y competencias para que los profesionales apoyen la atención sanitaria. Además, con la creciente y el rápido progreso de las técnicas analíticas, la IA tiene el potencial de transformar el sector sanitario para satisfacer las necesidades de las distintas partes interesadas en la atención sanitaria y el desarrollo terapéutico”, concluye el documento. Además de la OMS, otras organizaciones internacionales y regionales también están interesadas en la Salud Digital y la IA en el ámbito de la salud. Por ejemplo, el Foro Internacional de Reguladores de Dispositivos Médicos (IMDRF, en inglés), la Coalición Internacional de Autoridades Reguladoras de Medicamentos (ICMRA, en inglés), Organización Internacional para la Normalización, mejor conocida como ISO, la Organización para la Cooperación y el Desarrollo Económico (OCDE), la Unión Internacional de Telecomunicaciones (UIT o ITU), entre otras. En este sentido, trabajan en conjunto para promover nuevas regulaciones y atender los diferentes desafíos de la salud global. Por ejemplo, la OMS y la UIT colaboran a través del Grupo de Enfoque en IA para la Salud o Focus Group on AI for Health (FG-AI4H) para facilitar el desarrollo y uso seguro y adecuado de sistemas de IA en la atención médica. El Grupo de Trabajo sobre Consideraciones Regulatorias (WG-RC, en inglés) del FG-AI4H, que está compuesto por miembros de diversas partes interesadas, ha explorado cuestiones regulatorias y evaluaciones de tecnología de la salud para la IA en la atención médica. El documento de la OMS resume las consideraciones regulatorias en torno a la IA en la atención médica basadas en el trabajo del WG-RC. Consulta el documento completo en el siguiente enlace: https://iris.who.int/handle/10665/373421 BIBLIOGRAFÍA OMS https://iris.who.int/bitstream/handle/10665/373421/9789240078871-eng.pdf?sequence=1&isAllowed=y https://www.who.int/news/item/19-10-2023-who-outlines-considerations-for-regulation-of-artificial-intelligence-for-health

La IA se emplea para ofrecer estimaciones de supervivencia personalizadas en pacientes con cáncer. Durante el Congreso Clínico 2023 del American College of Surgeons (ACS), fue presentado un calculador de supervivencia en cáncer basado en inteligencia artificial (IA). Esta nueva herramienta se enfoca en considerar múltiples factores adicionales que influyen en el pronóstico del paciente con cáncer. De esta forma, aprovechando el potencial de la IA, un equipo de investigación multicéntrico creó un prototipo denominado “Calculador de Supervivencia en Cáncer”, el cual fue sometido a pruebas utilizando un conjunto de datos a nivel nacional en Estados Unidos, que abarca diferentes tipos de cáncer, incluyendo los cánceres de mama, tiroides y páncreas. El propósito principal del estudio fue identificar las características relacionadas con el paciente, el tumor y el tratamiento que ejercen una mayor influencia en la supervivencia de cada tipo de cáncer. Según la Dra. Lauren Janczewski, autora principal del estudio, las tasas de supervivencia actuales se basan principalmente en la etapa del cáncer. No obstante, existen diversos factores que pueden tener un impacto significativo en la supervivencia del paciente más allá de los criterios de estadiaje convencionales. Para abordar estas cuestiones, el equipo empleó un enfoque de IA de aprendizaje automático o machine learning. Para el estudio, los investigadores utilizaron datos de pacientes diagnosticados entre los años 2015 y 2017, obtenidos de la Base de Datos Nacional del Cáncer de los Estados Unidos, que comprende el 72% de los casos de cáncer recién diagnosticados en el país. Tres cuartas partes de los datos recolectados se utilizaron para entrenar los algoritmos de aprendizaje automático con el fin de reconocer patrones entre las características observadas en el diagnóstico y la supervivencia a cinco años. El conjunto de datos restante se empleó para poner a prueba la precisión del prototipo en la estimación de la supervivencia. Asimismo, el equipo de investigación incluyó datos de 259,485 pacientes con cáncer de mama, 76,624 con cáncer de tiroides y 84,514 con cáncer de páncreas. Los resultados mostraron que múltiples características específicas relacionadas con el paciente, el tumor y el tratamiento influyen significativamente en la supervivencia para los tres tipos de cáncer. Las cuatro características principales que más influyen en la supervivencia de los pacientes cinco años después del diagnóstico varían según el tipo de cáncer: Cáncer de mama: si el paciente se sometió a cirugía para el cáncer, la edad del paciente en el momento del diagnóstico, el tamaño del tumor y el tiempo transcurrido desde el diagnóstico hasta el tratamiento. Cáncer de tiroides: la edad en el momento del diagnóstico, el tamaño del tumor, el tiempo hasta el tratamiento y la participación de los ganglios linfáticos. Cáncer de páncreas: cirugía para el cáncer, histología, o análisis microscópico del cáncer, tamaño del tumor y edad en el momento del diagnóstico. De igual manera, el estudio también resaltó la importancia de considerar el estado de los receptores hormonales en el cáncer de mama y la presencia de Ki-67, un biomarcador en el cáncer de mama. Aunque algunos de los factores predictivos, como el tamaño del tumor, ya forman parte de los criterios de las etapas del cáncer, los resultados indicaron que existen otros factores más allá de la etapa de la enfermedad que influyen en la supervivencia de los pacientes con cáncer. Además, las pruebas de validación demostraron que el calculador tenía una “alta precisión” en la estimación de las tasas de supervivencia en los tres tipos de cáncer, con estimaciones cercanas a la supervivencia real en un rango de nueve a diez meses, según explicó la Dra. Janczewski. Algunas de las ventajas de este calculador son que incluye biomarcadores específicos del tumor y variables de tratamiento que son conocidos por afectar el pronóstico estimado del paciente, lo que, según los autores, la mayoría de las calculadoras anteriores no tomaban en cuenta. Además, utiliza una base de datos más completa, la Base de Datos Nacional del Cáncer, en comparación con las bases de datos utilizadas por calculadoras previas. De igual forma, emplea modelos de datos nuevos, como el aprendizaje automático, lo que agiliza el procesamiento. Los modelos de riesgo del calculador también demostraron una precisión mejorada en comparación con las predicciones generadas por calculadoras más antiguas. El futuro de esta herramienta según los investigadores incluye la finalización de una interfaz de usuario que permita el uso del Calculador de Supervivencia en Cáncer en la práctica clínica, seguido de pruebas piloto en centros oncológicos seleccionados. Finalmente, el equipo de investigación tiene como objetivo ampliar la funcionalidad del calculador para incluir todos los tipos de cáncer presentes en la Base de Datos Nacional del Cáncer. El equipo tiene la intención de poner a disposición esta herramienta para los profesionales de la salud, y así proporcionar estimaciones de supervivencia más precisas y personalizadas para los pacientes con cáncer recién diagnosticados. BIBLIOGRAFÍA FACS https://www.facs.org/for-medical-professionals/conferences-and-meetings/clinical-congress-2023/media/kit/a-cancer-survival-calculator-is-being-developed-using-artificial-intelligence/

Investigación de Cedars-Sinai muestra la efectividad del aprendizaje profundo en la detección temprana de la fibrilación atrial. Un reciente estudio publicado en JAMA Cardiology realizado por investigadores de Cedars-Sinai Medical Center presentó resultados prometedores en la detección temprana de la fibrilación atrial (FA) utilizando modelos de aprendizaje profundo aplicados a electrocardiogramas (ECG) de pacientes en ritmo sinusal. La investigación se basó en un conjunto de datos extenso proveniente de hospitales de veteranos en Estados Unidos y de un centro médico académico no vinculado al Departamento de Asuntos de Veteranos (VA). Los hallazgos del estudio sugieren que el uso de este modelo de aprendizaje profundo podría mejorar la identificación de pacientes en alto riesgo de FA, lo que permitiría una intervención temprana y la posibilidad de reducir las complicaciones asociadas con esta condición médica. El modelo demostró su eficacia en diversas poblaciones con diferentes características demográficas y comorbilidades, lo que representa un avance significativo en futuros esfuerzos de detección de FA. En el estudio, utilizó 907,858 electrocardiogramas ECGs de pacientes de seis sitios médicos del VA. Estos pacientes tenían un promedio de edad de 62.4 años, y el 6.4% eran mujeres, mientras que el 93.6% eran hombres. El estudio utilizó la escala CHA2DS2-VASc -VASc, una regla de predicción clínica que estima el riesgo de accidente cerebrovascular en pacientes con fibrilación auricular y el promedio fue de 1.9. De esta manera, los investigadores entrenaron un modelo de redes neuronales convolucionales utilizando los ECGs de dos redes hospitalarias del VA para su entrenamiento. Posteriormente, se probó en ECGs que no se utilizaron en el entrenamiento, tanto en los mismos hospitales del VA como en otros cuatro hospitales del VA y un centro médico académico no relacionado con el VA. Los resultados del modelo se midieron utilizando métricas como el área bajo la curva característica de operación (AUROC), la precisión y la puntuación F1. En las pruebas de los hospitales del VA, el modelo obtuvo un AUROC de 0.86, una precisión del 0.78 y una puntuación F1 de 0.30. Por otra parte, el en hospital académico no relacionado con el VA, el AUROC fue de 0.93, la precisión del 0.87 y la puntuación F1 de 0.46. Además, el modelo se mostró bien calibrado con un puntaje Brier de 0.02 en todos los sitios. Es decir que el modelo fue capaz de predecir con precisión la presencia de fibrilación atrial en los ECGs de los pacientes. Finalmente, los investigadores también evaluaron el rendimiento del modelo en diferentes subgrupos de pacientes según características como raza, género, edad y puntuación CHA2DS2-VASc, y encontraron que el modelo funcionaba de manera similar en todos estos grupos. Es por ello que este estudio es tan relevante, ya que considera diversos antecedentes, contextos y condiciones de los pacientes. Los investigadores concluyeron que los resultados sugieren que el aprendizaje profundo aplicado a los ECGs en ritmo sinusal tiene el potencial de ser una herramienta efectiva para la detección temprana de la fibrilación atrial en diversas poblaciones de pacientes. BIBLIOGRAFÍA JAMA NETWORK https://jamanetwork.com/journals/jamacardiology/article-abstract/2810388 HEALTH IT ANALYTICS https://healthitanalytics.com/news/cedars-sinai-deep-learning-tool-accurately-predicts-atrial-fibrillation

Investigadores de Mount Sinai desarrollan la herramienta HistoAge, que abre nuevas perspectivas en la investigación de enfermedades cognitivas y Alzheimer. Una investigación realizada por investigadores del sistema de salud Mount Sinai mostró la utilización de inteligencia artificial (IA) para desarrollar un modelo de predicción de edad en tejido cerebral humano, algo que no se había logrado anteriormente. Este modelo, llamado “HistoAge”, se basa en la composición celular de muestras de tejido cerebral humano y puede predecir la edad en la que una persona fallecerá con una precisión promedio de 5.45 años. El estudio se centró en el hipocampo, una región del cerebro que se sabe que está involucrada en el envejecimiento cerebral y enfermedades neurodegenerativas relacionadas con la edad, como la enfermedad de Alzheimer. Los investigadores recopilaron casi 700 imágenes digitalizadas de secciones del hipocampo de donantes de cerebro ancianos para desarrollar el algoritmo de estimación de edad del cerebro. De esta manera, utilizaron un modelo de aprendizaje automático para estimar la edad en la que una persona fallecerá basándose únicamente en la sección digitalizada, una tarea imposible de realizar con precisión para un observador humano. La diferencia entre la edad predicha por el modelo y la edad real se utilizó para calcular el envejecimiento del cerebro. Posteriormente, luego de comparar las medidas de envejecimiento del modelo HistoAge con medidas actuales de envejecimiento (por ejemplo, metilación del ADN), descubrieron que el envejecimiento basado en HistoAge tenía una relación más fuerte con el deterioro cognitivo, enfermedades cerebrovasculares y los niveles de agregación anormal de proteínas degenerativas relacionadas con enfermedades como Alzheimer. El estudio concluyó que el modelo HistoAge es una métrica confiable e independiente para determinar la edad del cerebro y comprender los factores que impulsan la neurodegeneración con el tiempo. “La influencia disruptiva de la IA en la investigación cerebral es un cambio de paradigma que nos impulsa hacia la próxima generación de curas. El modelo HistoAge nos permitirá descubrir aspectos causales cruciales de enfermedades cerebrales debilitantes, como la enfermedad de Alzheimer”, explicó el Dr. John F. Crary, especialista en neurociencia e IA en Icahn School of Medicine en Mount Sinai y uno de los autores del estudio. En este sentido, los investigadores sugieren que el modelo HistoAge y algoritmos similares futuros representan una nueva herramienta para evaluar el envejecimiento y la neurodegeneración en muestras humana, de tal manera, que estos modelos podrían desplegarse fácilmente en laboratorios de investigación clínica y traslacional a gran escala. Además, ofrecen métricas más precisas y sólidas de los cambios celulares que se relacionan con enfermedades degenerativas. Finalmente, entre los planes futuros del equipo de investigación se encuentra una colaboración para la creación de un conjunto de datos de IA a gran escala que permitirá desarrollar modelos de IA más poderosos y con el potencial de transformar la comprensión de enfermedades cerebrales. “Este modelo abre las compuertas para una serie de análisis fascinantes y esenciales que nos acercan finalmente a comprender el cerebro envejecido y las enfermedades cerebrales relacionadas con la edad, como el Alzheimer. Esta es la primera vez que hemos podido cuantificar cuánto envejecimiento hay en el cerebro en la patología. Con este enfoque, podemos descubrir genes que protegen contra el envejecimiento cerebral o genes que empeoran el envejecimiento en el cerebro, así como descubrir los factores de riesgo ambientales que hacen que los cerebros de las personas envejezcan más rápido”, detalló Gabriel A. Marx, residente en neurología en Icahn School of Medicine. BIBLIOGRAFÍA SPRINGER https://link.springer.com/article/10.1007/s00401-023-02636-3 MOUNT SINAI https://www.mountsinai.org/about/newsroom/2023/mount-sinai-researchers-first-to-develop-age-prediction-model-on-human-brain-tissue-using-artificial-intelligence