AI ANALITICA

Investigadores buscan encontrar correlaciones entre tests serológicos y moleculares para detección de COVID-19 a través de Inteligencia Artificial (IA). Estudio realizado en Florida Atlantic University muestra cómo el uso de aprendizaje automático proporciona nueva evidencia en el conocimiento acerca de cómo los tests moleculares y tests serológicos están correlacionados. Las pruebas serológicas (sangre) y las moleculares son los métodos más importantes para la detección de COVID-19 en menor tiempo. Ambas pruebas utilizan mecanismos distintos. Por ejemplo, los tests moleculares evalúan la presencia viral de ARN de SARS-CoV-2, mientras que los serológicos detectan la presencia de anticuerpos afectados por el mismo virus. En este sentido los investigadores de ingeniería e informática de FAU entrenaron cinco clasificaciones para predecir resultados de pruebas COVID. El modelo predictivo utiliza datos fáciles de obtener como características de los síntomas, datos demográficos, número de días después de los síntomas, fiebre, temperatura corporal, edad y sexo. Los investigadores publicaron un estudio que muestra los hallazgos de este modelo predictivo en la revista científica Smart Health. El cual muestra que los modelos de aprendizaje automático pueden predecir las infecciones por COVID-19 a través de características sintomáticas clave. El número de días que los pacientes experimentan síntomas como fiebre y dificultad para respirar desempeñan un papel importante en los resultados de pruebas COVID. Asimismo, las pruebas moleculares cuentan con menos días posteriores a la aparición de los síntomas, entre tres a ocho días a diferencia de las pruebas serológicas que varía entre cinco hasta 38 días. De esta forma la prueba molecular tiene una tasa de casos positivos más baja ya que mide la infección actual solamente. “Nuestros resultados sugieren que el número de días posteriores a la aparición de los síntomas es muy importante para obtener un resultado positivo en la prueba COVID-19 y debe tenerse muy en cuenta a la hora de examinar a los pacientes”, explicó el Dr. Xingquan “Hill” Zhu autor principal del estudio. El estudio contó con el apoyo de un banco de pruebas de resultados de más de 2 mil 400 donantes con una o varias pruebas de cada participante y además con pruebas moleculares o serológicas. “El modelado predictivo es complicado por muchas cuestiones desconcertantes sin respuesta en la investigación. El banco de pruebas creado por nuestros investigadores es realmente novedoso y muestra claramente la correlación entre los distintos tipos de pruebas COVID-19”, explicó la Dra. Stella Batalama, profesora de FAU. Asimismo, la Dra. Batalama, explicó que los investigadores han desarrollado una nueva forma de reducir características de síntomas que causan dificultes en la interpretación clínica. “Estos enfoques de modelado predictivo basados en IA son cada vez más potentes para combatir las enfermedades infecciosas y muchos otros aspectos de la salud”, concluyó. BIBLIOGRAFÍA FAU https://www.fau.edu/newsdesk/articles/covid-machine-learning-study

La diabetes tipo 2 es una condición que afecta a jóvenes y adultos de todo el mundo, su tasa de prevalencia a nivel mundial es de más de 6 mil casos por cada 100 mil habitantes. Existen diversos métodos para el control y tratamiento de esta condición, por ejemplo medicamentos como metformina y hábitos de vida saludables. En un estudio publicado en la edición de diciembre 2022 de The Lancet Digital Health especialistas en diabetes desarrollaron y validaron un algoritmo para identificar a los pacientes que viven con diabetes que lograría reducir la glucosa luego de aplicar terapia con inhibidores de SGLT2 (Proteínas de transporte sodio-glucosa) en comparación con terapia con inhibidores de DPP-4 (Inhibidores de la dipeptidil peptidasa-4). El estudio utilizó datos de una investigación de práctica clínica del Reino Unido, con el propósito de identificar características individuales asociadas a la respuesta de los pacientes a los tratamientos. En este sentido desarrollaron un modelo para la predicción de un tratamiento ideal para predecir la hemoglobina glucosilada (HbA1c) en pacientes luego de recibir iSGLT2 o iDPP-4. “Este modelo se validó utilizando datos de investigaciones de prácticas clínicas independientes y datos de 14 ensayos controlados aleatorios en varios países que compararon el tratamiento con inhibidores de SGLT2 e inhibidores de DPP-4”, explica el estudio. De esta forma, también se identificaron características como edad, sexo, IMC, HbA1c inicial, que se asociaron con la disminución de la glucosa con ambos métodos. Las características identificadas podrían considerarse en el proceso de toma de decisiones de los profesionales médicos para proporcionar un tratamiento más preciso para sus pacientes en el control y tratamiento de la diabetes tipo 2. Los investigadores reconocieron las limitaciones de su estudio y la necesidad de realizar más estudios que involucren a participantes de diversos grupos demográficos alrededor del mundo: “Se requieren más estudios para establecer si las características que predicen una mejor respuesta glucémica con el inhibidor de SGLT2 frente al uso de inhibidores de DPP-4 difieren en otras poblaciones distintas a las evaluadas en este estudio, como en países fuera de Europa”. La medicina de precisión solamente puede mejorar sus resultados a través de la realización de más investigaciones. Además, esto favorecerá al desarrollo de nuevas técnicas y recomendaciones para guiar la práctica clínica. BIBLIOGRAFÍA THE LANCET https://www.thelancet.com/journals/landig/article/PIIS2589-7500(22)00197-2/fulltext

La revolución tecnológica ha permitido que herramientas informáticas y de Inteligencia Artificial (IA) como el aprendizaje automático, sean utilizadas en el sector salud para apoyar las decisiones clínicas y diagnósticos. El aprendizaje automático se ha convertido en una herramienta muy utilizada en el sector salud para apoyar la toma de decisiones clínicas e incluso mejorar diagnósticos. Esta herramienta se nutre de valores de pruebas de laboratorio, protocolos de imágenes o puntuaciones de exámenes físicos, por ejemplo. Gracias a esto algunos diagnósticos pueden realizarse solo con un valor de laboratorio como en condiciones como la diabetes en adultos mayores. Por otra parte, otro tipo de diagnósticos se basan en signos, síntomas, valores de laboratorio e imágenes de apoyo, no obstante, estos diagnósticos requieren una mezcla de características positivas y negativas. Los diagnósticos clínicos pueden no considerar la entrada de datos dispares o relaciones no lineales que son limitadas por las capacidades humanas de toma de decisiones. El soporte algorítmico para la toma de decisiones puede utilizarse para facilitar dichas tareas en búsqueda de resultados más exitosos. En este sentido, la medicina de precisión es de suma importancia, pues su objetivo es crear un modelo médico que personalice la atención médica que se adapten al fenotipo de un individuo o paciente. Es decir, aspectos como el seguimiento longitudinal de trayectorias de salud, genética y epigenética, modelos matemáticos, entre otros. “Es a través del modelado computacional y la fusión de información que los resultados de interés, como los objetivos de tratamiento y medicamentos, en última instancia, facilitan una mejor toma de decisiones a nivel del paciente en esos centros de atención”, explican autores de una revisión de alcance sobre la salud de precisión publicado en npj Digital Medicine. Los autores del estudio explican que la información se mueve en un patrón cíclico desde los centros de salud hasta los bienes comunes de información, donde se puede transformar y realizar el modelado algorítmico. Es decir, datos demográficos de laboratorio, imágenes médicas, notas clínicas entre otra información puede transformarse en información nueva, modelados y algoritmos, cuyo resultado se puede traducir en ensayos clínicos, decisiones de tratamiento, diagnóstico, descubrimiento de medicamentos, fenotipado, entre otras aplicaciones. Además de la medicina de precisión y el aprendizaje automático, los autores recuperan otro concepto: la fusión de datos, la cual está respaldada por la teoría de la información. La fusión de datos se refiere al mecanismo mediante el cual se fusionan fuentes de datos dispares para crear un estado de información basado en la complementariedad de las fuentes. Por otra parte, como explican los autores: “La expectativa en el aprendizaje automático es que los esfuerzos de fusión de datos darán como resultado una mejora en el poder predictivo y, por lo tanto, proporcionarán resultados más confiables en configuraciones de validez potencialmente bajas”. Existen tres tipos principales de fusión de datos a través de aprendizaje automático: temprano (nivel de datos), intermedio (conjunto) y tardío (nivel de decisión): La primera se refiere a múltiples fuentes que se convierten al mismo espacio de información. La fusión de datos intermedia combina características que combinan a las características distintivas de cada tipo de datos para producir una nueva representación de datos. Finalmente, la fusión tardía requiere el entrenamiento de cada modelo y cada uno corresponde a una fuente de datos entrante. Estos toman como fuentes las representaciones simbólicas y las combinan para obtener una decisión más precisa. Conoce más en el siguiente artículo: https://www.nature.com/articles/s41746-022-00712-8 BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41746-022-00712-8

Herramientas como las cámaras de fibra óptica y/o robotizadas han permitido el avance de las cirugías mínimamente invasivas. La visión artificial o computer vision (CV), así como la aplicación de algoritmos para analizar e interpretar datos visuales se han convertido en soluciones críticas para respaldar la toma de decisiones de los cirujanos, y aumentar la seguridad y acceso a cirugías. No obstante, pesar de que el uso de CV está probado, no existen suficientes herramientas de este tipo que hayan sido adoptadas para aplicaciones diagnósticas o terapéuticas en cirugía. Anualmente se realizan más de 330 millones de procedimientos realizados en todo el mundo, sin embargo, a pesar de los números, las cirugías no son accesibles para todos. De hecho, según The Lancet Commission on Global Surgery, son necesarias hasta 143 millones de cirugías adicionales cada año para salvar vidas y prevenir discapacidades. Asimismo, es necesario desarrollar soluciones para mejorar la seguridad y la eficiencia quirúrgica. En este sentido, la CV es, una disciplina de las ciencias de la computación importante para lograr estas soluciones.  La visión artificial utiliza técnicas de inteligencia artificial (IA) como el aprendizaje profundo para procesar y analizar datos visuales, podría facilitar el análisis de video endoscópico. De esta manera el análisis de videos de procedimiento quirúrgicos y otras actividades de quirófano podría mejorar la atención quirúrgica. Igualmente, esta herramienta podría permitir la monitorización en tiempo real e intervenir para la prevención de eventos adversos. Además, existen diversas aplicaciones quirúrgicas de CV y los videos endoscópicos, relacionados directamente con la mejora del trabajo quirúrgico automatizado.  Por ejemplo: análisis de complejidad operativa, apoyo a la decisión intraoperatoria, mejora de la dinámica de equipo. Asimismo, los habilitadores claves para la visión artificial en cirugía incluyen: la variabilidad en la recogida de datos quirúrgicos: la promoción de la adquisición de datos a través de incentivos conductuales; mejora en la calidad de datos; entre otros. Otro de los aspectos importantes es el potencial de la IA. Gracias al entrenamiento de modelos de IA es posible replicar el desempeño de especialistas humanos, pero en grandes cantidades. No obstante, las principales limitaciones de este método son que las opciones son escasas y son costosas de producir. Conoce más sobre este tema en el siguiente estudio de npj Digital Medicine: https://www.nature.com/articles/s41746-022-00707-5 BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41746-022-00707-5

La Organización Mundial de la Salud y la Universitat Politècnica de València publicaron un estudio de revisión sistemática que midió el impacto de la Inteligencia Artificial (IA) en salud y sus limitaciones. La IA llegó a revolucionar la salud en la atención e investigación médica, sin embargo, a pesar de la evidencia creciente sobre sus beneficios aún existen limitaciones para medir su impacto, el cual aún es limitado. Para evaluar el impacto de la IA en términos de cobertura de salud universal, emergencias de salud y promoción de la salud la OMS y la Universitat Politècnica de València, realizaron una revisión que fue publicada en el International Journal of Medical Informatics. El objetivo de esta revisión sistemática fue conocer las diversas aplicaciones de la IA en la salud de la población y proveer un panorama sobre sus diversas metodologías, resultados, algoritmos, desempeño, fuentes de datos, entre otros aspectos. La búsqueda se realizó en las bases de datos Medline, EMBASE, IEEEXplore y Cochrane tomando en cuenta estudios publicados desde enero de 215 hasta junio de 2021. Se incluyeron artículos relacionados con una serie de palabras clave relacionadas con cobertura universal en salud, emergencias sanitarias, protección, bienestar, entre otras. Los autores encontraron 815 revisiones sistemáticas, de las cuales 203 fueron evaluadas para su elegibilidad. Finalmente, la revisión incluyó 129 estudios sobre IA en salud: el tema más recurrente fue cobertura de salud universal con 98, emergencias sanitarias con 16 y bienestar con 15. Los resultados mostraron que la mayoría de los estudios revisados muestran una calidad metodológica deficiente y alto riesgo de sesgo, esto limita que estos modelos sean reproducibles y dificulta su aplicación clínica. “A pesar de los grandes avances y el alto nivel de madurez de la IA en ciertos dominios clínicos, la revisión de las revisiones sistemáticas concluye que el uso de la IA es todavía escaso en la práctica clínica”, explican los autores. Asimismo, los trabajos analizados sólo muestran resultados en escenarios de laboratorio y de prueba y no en ensayos clínicos ni en estudios de casos, esto es una gran limitante para trasladar la IA en la prestación de servicios de salud. No obstante, la mayoría de los estudios explican que tanto la IA como el aprendizaje automático, jugarán un rol importante para ayudar a los profesionales de la salud a identificar indicadores específicos que conducirán a un mejor diagnóstico, tratamiento y resultado. De igual forma, los autores del estudio apuntan que la implementación de IA en la práctica clínica y en general en los sistemas de salud, podría promover y mejorar considerablemente la cobertura universal de salud. Consulta los resultados completos del estudio en el siguiente enlace: https://www.sciencedirect.com/science/article/pii/S1386505622001691 BIBLIOGRAFÍA SCIENCE DIRECT https://www.sciencedirect.com/science/article/pii/S1386505622001691?via%3Dihub#! OMS https://www.who.int/europe/news/item/27-09-2022-use-of-artificial-intelligence-on-the-rise–but-its-impact-on-health-still-limited–new-study-finds

Expertos presentaron un documento donde exploran las narrativas dominantes alrededor de la Inteligencia Artificial (IA) que pueden provocar ideas erróneas sobre estas tecnologías en el discurso público. Las narrativas sobre el potencial de la IA se presentan en diversas plataformas y medios audiovisuales e informativos para distintos públicos, desde la ciencia ficción hasta el marketing corporativo de las grandes empresas de tecnología. Las narrativas sobre la IA son utilizadas para promover agendas específicas, por ello los autores de “Puntos de vista de expertos sobre las narrativas de IA que faltan: ¿hay una crisis de historias de IA?” detallan la necesidad de una responsabilidad narrativa o narración responsable sobre la IA relacionada con la ética. Los gobiernos a nivel mundial han comenzado a impulsar agendas digitales donde incluyen la aplicación de la IA en el sector público, e incluso han publicado agendas específicas sobre IA como en Reino Unido con la Estrategia Nacional de IA. En el sector salud, las estrategias y agendas nacionales de Salud Digital también suelen incorporar este tipo de soluciones tecnológicas para su aplicación en la atención médica y prevención de enfermedades, por ejemplo. La IA aplicada en salud, fue resaltada por los expertos particularmente en áreas y tareas especiales como el cuidado de adultos mayores, aplicaciones en psicología y en enfermedades infecciosas. Otras narrativas sugieren alejar la conversación de IA aplicada para robots de cuidado de la salud y automatización de servicios médicos y acercarse más hacia la adopción de posibilidades para reducir la soledad del paciente, aislamiento y la presión sobre los servicios de salud públicos. O bien orientarse a través de dispositivos móviles como los relojes inteligentes que promueven el bienestar físico. Asimismo, también es necesario resaltar las narrativas que difunden los avances científicos, por ejemplo, la IA aplicada para encontrar tumores y diagnosticar enfermedades de manera oportuna. “Quiero decir que la respuesta obvia está en el campo de la medicina, pero eso es difícil de decir porque en realidad creo que hay muy pocas aplicaciones tangibles que apunten específicamente al bien común y que no estén conectadas con fines económicos”, explica uno de los participantes del estudio. Los especialistas concluyen que se requieren con urgencia historias que destaquen la realidad de esta tecnología, desarrolladas para y con una amplia gama de voces, en una variedad de dominios. Algunos destacan los esfuerzos políticos para el futuro de la IA, mientras otros enfatizan que las narrativas deben alinearse con las virtudes o valeres humanos. “Es decir, que estas historias deben inspirar y promover escenarios que se extiendan más allá de las estructuras de poder actuales. Estas consideraciones podrían extenderse a abordar el papel de la ciencia ficción en la propagación de las narrativas dominantes actuales y explorar si también necesitamos enfoques diferentes o diversos en la ciencia ficción”, concluyen. Consulta el texto completo en el siguiente enlace: https://link.springer.com/article/10.1007/s00146-022-01548-2 BIBLIOGRAFÍA SPRINGER https://link.springer.com/article/10.1007/s00146-022-01548-2

El auge de las tecnologías y modelos médicos basados en Inteligencia Artificial se ha centrado en un aspecto reducido de las múltiples opciones que presenta el sector salud. Especialistas en Inteligencia Artificial (IA), publicaron una perspectiva en npj Digital Medicine, donde abordan la importancia de lograr un desarrollo de la IA integrado verticalmente. El interés y la inversión en soluciones clínicas y de la salud humana basadas en IA no han logrado la generalización en la adopción e implementación de estas herramientas. Actualmente la IA se ha centrado en el sesgo y la aplicabilidad de algoritmos, validez externa y generabilidad. Diversos expertos coinciden en que hay una falta de equidad y representación en los datos existentes relacionados con IA. A pesar de los grandes avances de la IA en salud durante los últimos cinco años, la aplicación de esta para la toma de decisiones clínicas o predicción sigue siendo sumamente limitada. A pesar de que los múltiples estudios sobre la detección de enfermedades como el cáncer asistidas por medio de IA, estos no se han traducido en resultados en el mundo real en entornos más amplios, ya que su precisión es estudios más amplios no ha sido posible de realizar lo que termina en herramientas con poco potencial para su aplicación clínica. Esto sucede ya que la gran parte de la investigación clínica en IA se basa en conjuntos de datos existentes y retrospectivos y se centra en mejorar el rendimiento de los algoritmos para determinados conjuntos de datos. A este enfoque se le conoce como “centrado en el modelo”. Esto provoca que se preste menos atención a factores del mundo real, a la representatividad de los datos, entre otros aspectos. Los autores de la perspectiva identifican características prácticas para el desarrollo de IA que tienen un papel importante para su traducción e integración en una cadena de “suministro de IA”. “Todos los componentes de la cadena de suministro son esenciales para el despliegue y deben trabajar en sinergia para apoyar el uso continuado de la IA. Centrarse en el establecimiento de una cadena de suministro tiene más ventajas que centrarse únicamente en la producción de un modelo preciso”, explican los autores. Para ello define la integración vertical, que toma en cuenta cuatro aspectos: Evaluación de impacto: A través del descubrimiento de problemas del mundo real y la determinación del valor y viabilidad de la IA. Ciclo de vida de los datos: Generación de datos y flujo de creación de datos y la curación de datasets para el modelo de entrenamiento. Construcción del modelo: Evaluación y entrenamiento del modelo, además de una evaluación en el mundo real. Producción: integración y/o servicio del modelo y observación continua del modelo. Consulta la perspectiva completa en el siguiente enlace: https://www.nature.com/articles/s41746-022-00690-x BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41746-022-00690-x

Los estudios que generan evidencia del mundo real sobre productos médicos, gracias al análisis de datos digitales de prácticas clínicas, proporcionan información clave para reguladores de productos médicos y tomadores de decisiones. Los estudios con información clínica que generan evidencia del mundo real (RWE, en inglés) son importantes para las personas con puestos de toma de decisiones u organismos reguladores de productos médicos. Sin embargo, garantizar la reproducibilidad de estos hallazgos es fundamental para una verdadera toma de decisiones basada en evidencia.  Gracias a los avances en la comprensión del diseño de estudio y el análisis de datos longitudinales de atención médica, es posible que los estados de bases de datos reproduzcan y predigan resultado de ensayos clínicos aleatorizados. No obstante, recientemente estudios RWE de alto perfil han presentado deficiencias metodológicas, lo que ha generado generalizaciones negativas sobre este tipo de estudios. Esto además ha provocado una reducción en la confianza en este tipo de estudios por parte de tomadores de decisiones. “La evidencia científica procesable en medicina debe ser internamente válida, reproducible y replicable. La reproducibilidad es la capacidad de obtener los mismos resultados al volver a analizar los datos originales, siguiendo la estrategia de análisis original. La replicabilidad es la capacidad de confirmar hallazgos en diferentes datos y poblaciones. En principio, todos los hallazgos comunicados deberían ser perfectamente reproducibles”, explican los autores del estudio: Reproducibilidad de estudios de evidencia del mundo real utilizando datos de práctica clínica para informar decisiones regulatorias y de cobertura. El estudio publicado en Nature Communications, mostró la reproducción de los resultados de 150 estudios publicados en revistas revisadas por pares, que utilizan las mismas bases de datos de atención médica que los investigadores originales, y evaluaron la integridad de los informes de 250 estudios. Los resultados de la evaluación y el análisis mostraron que el 54% de los estudios proporcionaron diagramas o tablas que mostraban los criterios de inclusión y exclusión. El 8% utilizó diagramas de diseño para comunicar aspectos clave del estudio. El estudio también analizó otros datos sobre los participantes y las fechas de su participación en el estudio, utilización de algoritmos, códigos analíticos, entre otros datos. Para los diez estudios con diferencias más externas en los coeficientes entre las medidas originales y reproducidas, los autores observaron tres razones principales: En primer lugar, la falta de claridad con respecto a la temporalidad en la que se midieron los parámetros del estudio y la ausencia de algoritmos detallados para los parámetros del estudio. En segundo lugar, la información inconsistente entre textos y tablas, diagramas y apéndices. Y por último los cambios en los resultados de los estudios pudieron haber sido provocados por información incompleta proveniente de la base de datos original. Además, las suposiciones encontradas fueron comunicadas a los autores de los trabajos originales, sin embargo, solo el 53% respondió y 33% no respondió luego de tres intentos. “Entre los 81 que respondieron, el 32 % (n= 26) proporcionó una aclaración útil o declaró que se sentían cómodos con nuestras suposiciones, el 32 % (n=26) proporcionó comentarios algo útiles que no abordaron todas las suposiciones, el 27 % (n= 22) proporcionó respuestas que no abordaron los supuestos, y el 12 % (n=6) se negó a discutir su estudio, citando falta de interés o de tiempo”, detallan los autores. Consulta mayor información sobre este análisis en el siguiente enlace: https://www.nature.com/articles/s41467-022-32310-3 BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41467-022-32310-3