febrero 2024

Investigadores del Imperial College combinaron imágenes médicas y un modelo de IA para ayudar a los médicos a evaluar el cáncer de pulmón en pacientes. Investigadores del Imperial College utilizaron inteligencia artificial (IA) para extraer información sobre la composición química de los tumores de pulmón a partir de escáneres médicos. De esta forma, por primera vez, han demostrado cómo combinar imágenes médicas con IA puede proporcionar una “biopsia virtual” para pacientes con cáncer, clasificando el tipo de cáncer de pulmón de un paciente y prediciendo la progresión del cáncer de manera no invasiva. “Hemos desarrollado un sistema que combina las tomografías computarizadas con la composición química de los tumores y el tejido pulmonar normal. Esto nos permite clasificar los tipos de cáncer de pulmón y, lo que es más importante, proporciona predicciones fiables sobre los resultados de los pacientes”, explicó Marc Boubnovski Martell, primer autor y candidato a doctorado en el Imperial. El estudio, liderado por el Imperial College London, publicado en npj Precision Oncology y financiado por el Instituto Nacional de Investigación en Salud y Atención de Reino Unido, utiliza un método que combina datos de escáneres de tomografía computarizada (TC) con información sobre la composición química de los tumores y el tejido pulmonar normal. De esta forma es posible no solo clasificar los tipos de cáncer de pulmón sino también predecir los resultados del paciente. Los investigadores entrenaron un modelo de IA llamado TMR-CT en datos de 48 pacientes con cáncer de pulmón que se sometieron a escáneres TC y análisis de metabolómica en el Hospital Universitario Reina Sofía en Córdoba, España. Este modelo mostró una correlación significativa entre los perfiles metabolómicos de los pacientes y las características “profundas” de sus escáneres TC. El TMR-CT se probó en 723 pacientes con cáncer de pulmón tratados en varios hospitales del Reino Unido, donde no se disponía de datos de metabolómica. El modelo demostró una clasificación precisa del cáncer de pulmón y predicciones confiables sobre los resultados del paciente, superando el rendimiento de los métodos tradicionales basados en TC y las evaluaciones clínicas. Además, el estudio mostró una correlación importante entre los perfiles metabolómicos de los pacientes y las características de sus TC, por lo que fue posible inferir las características metabólicas del tumor a partir de las TC solamente. Los investigadores esperan confirmar la eficacia del método TMR-CT en otros grupos de pacientes con cáncer de pulmón y posiblemente en personas con otros tipos de cáncer difíciles de realizar una biopsia. Esta técnica podría potencialmente incorporarse como un algoritmo en el software de escáneres de imágenes médicas comerciales, cambiando el paradigma y los protocolos de diagnóstico y tratamiento del cáncer en un futuro. BIBLIOGRAFÍA IMPERIAL https://www.imperial.ac.uk/news/251593/virtual-biopsy-uses-ai-help-doctors/ NATURE https://www.nature.com/articles/s41698-024-00502-3

La IA puede no diferenciar entre pacientes de alto y bajo riesgo antes de recibir tratamiento, según investigación de la Universidad de Michigan. Un estudio publicado en New England Journal of Medicine realizado por la Universidad de Michigan cuestiona la efectividad de una herramienta de inteligencia artificial (IA) diseñada para detectar tempranamente la sepsis en pacientes hospitalizados. La investigación sugiere que la IA puede estar basando sus predicciones en datos médicos que reflejan las sospechas de los médicos de que un paciente tiene sepsis, en lugar de identificar realmente el riesgo de sepsis antes de que se presenten los síntomas. “La sepsis presenta todos estos síntomas vagos, de modo que cuando un paciente se presenta con una infección, puede ser realmente difícil saber quién puede ser enviado a casa con algunos antibióticos y quién podría necesitar permanecer en la unidad de cuidados intensivos. Seguimos pasando por alto a muchos pacientes con sepsis”, afirmó Tom Valley, profesor asociado de medicina pulmonar y de cuidados intensivos, clínico de la UCI y coautor del estudio. El estudio examinó el rendimiento del Sepsis Model de la compañía Epic, una herramienta de IA incorporada al software de registros médicos electrónicos de Epic. En este sentido, el estudio examinó el rendimiento del modelo en 77,000 adultos hospitalizados en el Centro de Salud de la Universidad de Michigan. Los autores descubrieron que el modelo tenía una alta precisión cuando se evaluaba utilizando datos recopilados después de que los médicos ya sospechaban de sepsis en el paciente, pero su precisión disminuía cuando se evaluaba utilizando datos recopilados antes de que se sospechara de sepsis. Según explicó Jenna Wiens profesora asociada de ciencias computacionales e ingeniería y autora del estudio, el modelo de IA podría estar basando sus predicciones en datos médicos que reflejan las sospechas de los médicos de que un paciente tiene sepsis, en lugar de identificar realmente el riesgo de sepsis antes de que se presenten los síntomas. Por ejemplo, el modelo puede estar utilizando datos como la realización de pruebas de cultivo de sangre y el inicio de tratamientos con antibióticos, que ocurren una vez que los médicos ya sospechan de sepsis en el paciente. Los hallazgos del estudio sugieren que el momento en que la IA tiene acceso a la información en los registros médicos puede influir en su rendimiento. “Evaluar el modelo con datos recogidos después de que el clínico ya haya sospechado la aparición de sepsis puede hacer que el rendimiento del modelo parezca sólido, pero esto no se ajusta a lo que ayudaría a los clínicos en la práctica”, explicó Donna Tjandra, estudiante de doctorado en informática e ingeniería y coautora del estudio. El estudio destaca la importancia de considerar el contexto clínico al evaluar herramientas de IA en entornos médicos. Si bien la IA puede ser una herramienta prometedora en la detección temprana de sepsis, es necesario abordar las limitaciones identificadas en este estudio para mejorar su eficacia en la práctica clínica. BIBLIOGRAFÍA UMICH https://news.umich.edu/widely-used-ai-tool-for-early-sepsis-detection-may-be-cribbing-doctors-suspicions/ NEJM https://ai.nejm.org/doi/10.1056/AIoa2300032

Investigación de Mount Sinai muestra que la IA puede brindar apoyo a los médicos al igualar o superar a especialistas humanos en el manejo de retina y glaucoma. Un estudio realizado por investigadores del New York Eye and Ear Infirmary of Mount Sinai (NYEE) revela que un gran modelo de lenguaje grande (LLM, en inglés) puede igualar, o en algunos casos superar, a oftalmólogos en el diagnóstico y tratamiento de pacientes con glaucoma y enfermedades de retina. Publicado en JAMA Ophthalmology, este estudio sugiere que herramientas avanzadas de inteligencia artificial (IA), entrenadas en grandes cantidades de datos, texto e imágenes, podrían desempeñar un papel importante al brindar apoyo en la toma de decisiones a los oftalmólogos en el diagnóstico y manejo de casos de glaucoma y trastornos de retina. El estudio tuvo como propósito comparar el conocimiento de los especialistas oftalmólogos con las capacidades de la IA, GPT-4 (Generative Pre-Training–Model 4) de OpenAI, diseñado para replicar el rendimiento a nivel humano. El estudio detalla que, dentro de la medicina, las herramientas de IA se consideran potencialmente revolucionarias en diagnóstico y tratamiento debido a la precisión e integridad de sus respuestas generadas por LLM. La oftalmología, tiene un alto volumen de pacientes a menudo con enfermedades y condiciones complejas, por lo que podría ser un campo particularmente importante para la implementación de IA, ofreciendo apoyo a los especialistas en el manejo y tratamiento. “Reconocimos el enorme potencial de este sistema de IA desde el momento en que empezamos a probarlo y nos fascinó observar que GPT-4 podía no solo ayudar, sino en algunos casos igualar o superar, la experiencia de especialistas oftalmológicos experimentados”, explicó el Dr. Andy Huang, residente de oftalmología del NYEE y autor principal del estudio. El equipo de Mount Sinai reclutó a 12 especialistas asistentes y tres residentes del Departamento de Oftalmología de la Escuela de Medicina Icahn de Mount Sinai. Posteriormente seleccionaron de manera aleatoria un conjunto básico de 20 preguntas (10 cada una para glaucoma y retina) de la lista de preguntas comúnmente formuladas por los pacientes de la Academia Estadounidense de Oftalmología, junto con 20 casos de pacientes sin identificar seleccionados de clínicas oftalmológicas afiliadas a Mount Sinai. Finalmente, las respuestas tanto del sistema GPT-4 como de los especialistas humanos fueron analizadas estadísticamente y calificadas por su precisión y exhaustividad utilizando una escala Likert, comúnmente utilizada en investigación clínica para puntuar respuestas. De esta forma, los resultados revelaron que este LLM logró superar e igualar a los especialistas humanos tanto en la precisión como en la integridad de sus consejos médicos y evaluaciones. GPT-4 mostró un rendimiento superior en respuestas a preguntas sobre glaucoma y consejos de manejo de casos, y reflejó un resultado más equilibrado en preguntas sobre retina, donde la IA logró igualar a los especialistas en precisión, pero los superó en integridad/totalidad de sus respuestas. “La IA sorprendió especialmente por su destreza en el manejo de casos de pacientes tanto de glaucoma como de retina, igualando la precisión y exhaustividad de los diagnósticos y sugerencias de tratamiento realizados por médicos humanos en un formato de nota clínica”, afirmó Louis R. Pasquale, MD, FARVO, subdirector de Investigación Oftalmológica del Departamento de Oftalmología y autor principal del estudio. Además, agregó que GPT-4 es capaz de ofrecer orientación sobre cómo ser mejores clínicos, especialmente en términos de cómo se documentan los hallazgos de los exámenes de los pacientes. BIBLIOGRAFÍA MOUNT SINAI https://www.mountsinai.org/about/newsroom/2024/artificial-intelligence-matches-or-outperforms-human-specialists-in-retina-and-glaucoma-management-mount-sinai-study-finds

Investigadores encontraron biomarcadores metabólicos útiles para crear herramientas de deep learning capaces de detectar Alzheimer de manera prematura. Investigadores de la Universidad de Virginia Occidental (WVU, en inglés) identificaron un conjunto de biomarcadores metabólicos útiles para desarrollar modelos y herramientas de inteligencia artificial (IA) para la detección de la enfermedad de Alzheimer en etapas tempranas. La detección temprana de esta enfermedad es importante para el desarrollo y la aplicación de fármacos, así como para implementar nuevos enfoques diagnósticos terapéuticos que mejoren la calidad de vida de los pacientes. Los investigadores publicaron un estudio en el Journal of the Neurological Sciences, cuyo propósito fue identificar y describir un nuevo conjunto de biomarcadores de diagnóstico para el desarrollo de herramientas de aprendizaje profundo o deep learning capaces de predecir Alzheimer, utilizando datos metabolómicos de la plataforma Ultra Performance Liquid Chromatography Mass Spectrometry (UPLC-MS/MS). UPLC-MS, es la plataforma analítica más utilizada en el fenotipado metabólica. Esta plataforma proporciona una gran potencia cromatográfica y de resolución de masas, detección de alta sensibilidad, modos flexibles de adquisición de datos que permiten la identificación de metabolitos y la adquisición de datos reproducibles para el análisis de cientos o miles de muestras que sirven para estudios de fenotipado metabólico pequeña y gran escala. Los biomarcadores se refieren a indicadores medibles de la gravedad o presencia de una enfermedad. Los biomarcadores metabólicos existen en las moléculas de células, tejidos y fluidos corporales los cuales muestran la interacción entre los genes y el estilo de vida (alimentación, medio ambiente,) de los pacientes. De esta manera gracias a los biomarcadores los científicos son capaces de comprender mejor los cambios de salud que experimenta una persona y los riesgos que tiene de desarrollar una enfermedad. Los autores eligieron el método de deep learning debido a su enfoque versátil para predecir fenómenos biológicos complejos y su habilidad de utilizar grandes volúmenes de datos y datos complejos de algoritmos para entrenar modelos. Esto favoreció a la construcción de redes neuronales de avance multicapa para predecir Alzheimer. “La enfermedad de Alzheimer puede comenzar años o incluso décadas antes de la aparición de los síntomas clínicos, por lo que es crucial identificar biomarcadores predictivos en la fase preclínica para que la ciencia médica pueda desarrollar estrategias que eviten la progresión de la enfermedad”, explicó Wang. Para el estudio se seleccionaron un total de 177 individuos, incluidos 78 con Alzheimer y 99 con cognición normal, de la cohorte Alzheimer’s Disease Neuroimaging Initiative (ADNI) junto con 150 biomarcadores metabolómicos y seleccionaros 21 biomarcadores como los más relevantes para Alzheimer. La edad de los participantes rondaba entre los 75 y los 82 años. “El método de deep learning mediante redes neuronales artificiales, que se inspiran en la estructura en capas de las neuronas del cerebro y sus cómputos, ha alcanzado un rendimiento de predicción sin precedentes para tareas complejas”, explicó Kesheng Wang, uno de los autores y profesor de la WVU.  Además, aseguró que se ha demostrado que las técnicas de deep learning son más precisas para el diagnóstico de Alzheimer en comparación con los modelos convencionales de machine learning o aprendizaje automático. El estudio detalla que algunos de los metabolitos están correlacionados con biomarcadores clínicos, medidas cognitivas y volumen del hipocampo asociados a pacientes de Alzheimer. Por ejemplo, el hipocampo una de las áreas del cerebro suele dañarse primero por la enfermedad de Alzheimer. Los autores probaron múltiples modelos de deep learning hasta encontrar el modelo con mayor precisión para la evaluación de Alzheimer. En este sentido, Wang afirmó que los estudios que utilizan estos métodos para detectar Alzheimer aún están en sus primeras fases, por lo que es necesaria más investigación. Wang y su equipó se encuentran trabajando en un proyecto que integre datos de proteínas y metabolismo utilizando deep learning. “La base metabólica de la enfermedad de Alzheimer sigue siendo poco conocida y las relaciones entre las anormalidades sistémicas en el metabolismo y la patogénesis de la enfermedad de Alzheimer no están claras”, mencionó Wang El estudio según los autores muestra el potencial para identificar biomarcadores metabólicos que sean predictivos del diagnóstico y la progresión de la enfermedad. BIBLIOGRAFÍA WVU https://wvutoday.wvu.edu/stories/2024/02/20/wvu-researchers-use-ai-to-predict-detect-alzheimer-s-disease SCIENCE DIRECT https://www.sciencedirect.com/science/article/abs/pii/S0022510X23002733#preview-section-abstract https://www.sciencedirect.com/topics/chemistry/ultra-performance-liquid-chromatography-mass-spectrometry

La Unión Europea plantea adoptar el primer conjunto integral de leyes a nivel mundial que regulan la IA. El avance acelerado de las tecnologías basadas en inteligencia artificial hace evidente la necesidad de regulaciones de esta tecnología en el mundo. La Unión Europea (UE), inició su proyecto de ley para regular la IA desde 2021 y así es cómo ha avanzado hasta 2024. En abril de 2021, la Comisión Europea publicó una propuesta para la regulación de la IA en la UE. En agosto del mismo año, el periodo de consulta pública sobre la Ley de IA recibió 304 propuestas. En este sentido, a finales de noviembre de 2021, la presidencia del Consejo de la UE compartió un texto sobre los compromisos del proyecto de Ley de IA, reconociendo aspectos importantes como el reconocimiento biométrico y las aplicaciones de alto riesgo. Desde entonces la Comisión de Asuntos Jurídicos del Parlamento Europeo, la Comisión de Industria, Investigación y Energía, la Presidencia francesa del Consejo y otros actores importantes han publicado sus enmiendas a la Ley de IA. Asimismo, se han realizado diversos debates con los gobiernos para conocer las principales propiedades de la Ley de IA para cada uno de los 27 Estados miembros. En diciembre de 2023, el Parlamento y el consejo alcanzaron un acuerdo provisional sobre la Ley de IA. Finalmente, el 21 de enero de 2024, miembros de Parlamento compartieron de manera pública el borrador más reciente de la ley. El 2 de febrero, los países aprobaron la ley, sin embargo, aún es necesaria la aprobación final del Parlamento, lo cual podría ocurrir en abril. No obstante, la ley entraría en vigor hasta 2026. En términos generales la ley clasifica la IA de acuerdo a su riesgo, por lo que se abordan temas de obligaciones de transparencia para desarrolladores e implementadores. La mayor parte de las obligaciones son para los proveedores de sistemas de IA de alto riesgo. Asimismo, la IA de propósitos generales deben proveer documentación técnica, instrucciones de uso, directrices de copyright, y un resumen sobre el contenido utilizado para su entrenamiento. ¿Qué dicen los expertos? Recientemente la revista Nature publicó un artículo en el cual se explora la Ley de IA de la UE y cómo puede incidir en la investigación. Especialistas explican que el enfoque de la UE se basa en regular los modelos en función de su riesgo potencial, lo que sugiere reglas más estrictas para las aplicaciones de mayor riesgo. Además, la ley prohíbe los sistemas de IA que significan un riesgo inaceptable, es decir aquellos que utilizan datos biométricos para inferir características sensibles, por ejemplo, la orientación sexual de las personas. Además, la ley también incluye castigos a cualquier empresa que viole las reglas establecidas por la ley, y se esperan castigos de hasta el 7% de sus ganancias globales anuales. Uno de los puntos más importantes y beneficiosos para los investigadores, es que el Parlamento añadió una cláusula que eximiría a los modelos de IA desarrollados para investigación, desarrollo o creación de prototipos. Es decir, que la ley busca garantizar que la ley no impacte de manera negativa a la producción científica ni a la innovación tecnológica. Sin embargo, modelos como GPT-4 de OpenAI, Gemini de Google o LLaMA de Meta son considerados de alto riesgo, debido a la gran cantidad de operaciones informáticas utilizadas para su entrenamiento, para realizar una evaluación de riesgos, la Comisión Europea creará una oficina especializada en IA, que además recibirá asesorías de expertos independientes para continuar por el camino de la transparencia. BIBLIOGRAFÍA NATURE https://www.nature.com/articles/d41586-024-00497-8 AI ACT https://artificialintelligenceact.eu/wp-content/uploads/2024/01/AI-Act-Overview_24-01-2024.pdf https://artificialintelligenceact.eu/es/avances/ PARLAMENTO EUROPEO https://www.europarl.europa.eu/news/en/press-room/20231206IPR15699/artificial-intelligence-act-deal-on-comprehensive-rules-for-trustworthy-ai