Reseña de publicaciones científicas

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. BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41746-022-00572-2

Artículo publicado en PLOS Digital Health muestra la importancia de desarrollar algoritmos de Inteligencia Artificial (IA), enfocados en los servicios de primera línea de atención médica. Diversos estudios han demostrado que el aprendizaje automático y la IA en entornos clínicos, son herramientas para mejorar la prevención y diagnóstico de enfermedades. No obstante, hay una serie de retos y desafíos relacionados con el desarrollo de algoritmos, especialmente relacionados con la falta de transparencia en su proceso de creación. En este sentido el Consorcio de Datos Críticos del Instituto de Tecnología de Massachusetts (MIT-CD), especialistas en la investigación de datos relacionados con la salud humana, desarrollaron una plataforma de educación y rendición de cuentas sobre algoritmos. El enfoque llamado Ecosistema como servicio (EaaS, en inglés), tiene como objetivo la rendición de cuentas y la colaboración entre expertos clínicos y técnicos para la promoción de la IA en el campo clínico. “El enfoque EaaS proporciona una variedad de recursos, desde bases de datos de código abierto y recursos humanos especializados hasta oportunidades de creación de redes y colaboración”, explican los autores. Los especialistas esperan que estas herramientas logren la promoción de una mayor exploración y expansión del enfoque EaaS.  Asimismo, explican que el desarrollo de IA en la práctica clínica, impulsará el acceso equitativo a la atención médica. “Los esfuerzos iniciales de implementación del enfoque EaaS del MIT-CD han mostrado resultados prometedores en la mejora del acceso a la atención médica y la atención clínica a través de enfoques nuevos y refinados para interpretar datos junto con universidades asociadas y laboratorios de investigación en todo el mundo”, explica el artículo. De esta forma, el enfoque EaaS, luce como una opción sostenible y además rentable para la implementación de la IA en salud y específicamente en el campo clínico. Sin embargo, su adopción de forma masiva aun enfrenta diversos obstáculos relacionados con la colaboración, la estructura de los costos o el intercambio de datos. Puedes leer el artículo completo en el siguiente enlace: https://journals.plos.org/digitalhealth/article?id=10.1371/journal.pdig.0000011 BIBLIOGRAFÍA PLOS DIGITAL HEALTH https://journals.plos.org/digitalhealth/article?id=10.1371/journal.pdig.0000011

Un nuevo estudio llevado a cabo por investigadores de Reino Unido, muestra un modelo de visión por computadora capaz de mejorar la calidad de imágenes por resonancia magnética. Científicos británicos, publicaron el estudio “Modelos de aprendizaje profundo para clasificar los exámenes de resonancia magnética de cabeza”. El estudio explica que la problemática de los retrasos en informes radiológicos puede derivar en peores resultados para los pacientes y altos costos de atención médica. Por ello desarrollaron un modelo de aprendizaje profundo para la detección de anomalías clínicamente relevantes en exploraciones de resonancia magnética de cabeza. Estos modelos fueron entrenados a través de un clasificador de informes de neurorradiología, y generaron un conjunto de datos de casi 70 mil exámenes de dos redes de hospitales de Reino Unido. El modelo demostró una clasificación rápida precisa e interpretable. El modelo fue puesto a prueba a través de un estudio de simulación, en el que mostró que el modelo reduciría considerablemente el tiempo de notificación de exámenes en ambas redes de hospitales, demostrando viabilidad para su uso clínico. “Demostramos una clasificación precisa, interpretable, robusta y generalizable en un conjunto de escaneos reservados etiquetados por un equipo de neuro radiólogos, y hemos demostrado que el modelo reduciría el tiempo para informar exámenes anormales en ambas redes hospitalarias, lo que demuestra la viabilidad como triaje automatizado. Herramienta”, concluyen los autores en el estudio. Puedes consultar el estudio completo en este enlace: https://www.sciencedirect.com/science/article/pii/S1361841522000433?via%3Dihub BIBLIOGRAFÍA SCIENCE DIRECT https://www.sciencedirect.com/science/article/pii/S1361841522000433?via%3Dihub HEALTH IT ANALYTICS https://healthitanalytics.com/news/computer-vision-model-improved-quality-of-head-mris

El estudio tiene como objetivo entender, predecir y prevenir el riesgo conductas suicidas a través de datos estructurados y no estructurados en expedientes clínicos electrónicos (ECE) y notas de los especialistas, respectivamente. Investigadores de departamentos de psiquiatría de instituciones de Boston como la Universidad de Harvard, Boston Children’s Hospital y Massachusetts General Hospital, realizaron un estudio sobre la predicción de riesgo de suicidio a través de datos estructurados y no estructurados de pacientes. El estudio publicado en npj Digital Medicine muestra el desarrollo de un modelo clínico de predicción de riesgo, desarrollado a través de información estructurada de ECE e información no estructurada como las notas de los médicos, que fue interpretada a través de procesamiento de lenguaje natural (PLN). En este sentido, la información estructurada incluye información como diagnósticos y medicación, por lo que es importante añadir datos no estructurados como las notas médicas, para que el modelo predictivo entienda el valor de cada clasificación de datos y las interacciones entre ambas. El estudio titulado: Interacciones predictivas estructuradas-no estructuradas en modelos EHR: un estudio de caso de predicción de suicidio, contempló tres objetivos: Comparar el valor predictivo de los datos de ECE estructurados y no estructurados como conjuntos de datos independientes para predecir el riesgo de suicidio. Evaluar el aumento en el rendimiento de la predicción al integrar datos estructurados y no estructurados utilizando varios modelos: Naive Bayes Classifier (NBC) y Random Forest (RF). Identificar pares de características estructuradas y no estructuradas en las que la interacción entre las dos características difiere sustancialmente entre poblaciones con intentos de suicidio y personas sin intentos. La aplicación de los criterios de inclusión y exclusión produjo 1 millones 625 mil 350 sujetos de entrenamiento para los modelos 99% correspondieron a no casos y 16 mil a casos, es decir el 1%. Las variables capturadas más encontradas en el conjunto de datos fueron trastorno de control de impulsos, trastorno bipolar, trastorno esquizoafectivo y dependencia o abuso de opioides. De esta forma fue posible identificar variables de datos estructurados y no estructurados sobre pacientes con riesgo de suicidio o conductas suicidas. A raíz de estos datos es posible desarrollar estrategias eficaces de prevención del suicidio. Consulta el estudio completo en el siguiente enlace: https://www.nature.com/articles/s41746-022-00558-0 BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41746-022-00558-0

El estudio “Sonidos de COVID-19: exploración del rendimiento realista de las pruebas digitales basadas en audio”, fue publicado en la revista científica npj Digital Medicine de Nature. Es posible utilizar enfoques basados en audio para la detección eficiente, asequible y además a escala de COVID-19. El estudio publicado en Nature recientemente, utiliza pistas de audio como tos, respiración y voz, y la aplicación de modelos de aprendizaje automático y aprendizaje profundo, para realizar pruebas de esta enfermedad. No obstante, los autores del estudio reconocen que es necesario explorar cómo los sesgos y las decisiones metodológicas llega a afectar el desempeño práctico de este tipo de herramientas. Para ello lograron recopilar un amplio conjunto de datos de audio respiratorio a través de una app móvil, estos datos además incluyeron información sobre síntomas y sobre resultados de pruebas COVID-19. El conjunto de datos incluyó 5240 muestras de audio de 2478 participantes de habla inglesa, la importancia de elegir solamente un idioma fue para evitar sesgos acústicos, según explica el estudio. El estudio también contempló subgrupos de población como sexo, edad y además mostró un rendimiento consistente sobre la prevalencia de COVID-19. “Usamos estas muestras de audio para construir un modelo de predicción de COVID-19 basado en audio. El modelo imparcial tomó las características extraídas de la respiración, la tos y las señales de voz como predictores y arrojó un AUC-ROC de 0,71 (IC del 95 %: 0,65–0,77)”, explica el estudio. En este sentido fue posible la creación y validación de un método de aprendizaje profundo para la detección de COVID-19, analizando sonidos humanos. “Analizamos el rendimiento predictivo del modelo presentado en la detección de la infección por COVID-19, lo que puede aportar información sobre la adopción de tecnologías de salud digital en la era de la COVID-19”, concluyen los autores en el apartado de discusión en el estudio. Consulta el estudio completo en el siguiente enlace: https://www.nature.com/articles/s41746-021-00553-x BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41746-021-00553-x

Científicos del Cedars-Sinai Medical Center de Los Ángeles, desarrollaron un nuevo algoritmo de Inteligencia Artificial (IA), para la detección de enfermedades cardiacas. De acuerdo al estudio publicado en JAMA Network, este algoritmo desarrollado por el Smidt Heart Institute del Cedars-Sinai, es capaz de identificar y distinguir entre dos condiciones cardiacas mortales que usualmente no se detectan a tiempo: miocardiopatía hipertrófica y amiloidosis cardíaca. La amiloidosis cardíaca, no suele ser detectada porque los pacientes pueden no presentar ningún síntoma, o experimentarlos de manera muy esporádica. Y por otra parte la cardiomiopatía hipertrófica, es una enfermedad que causa aumento en el grosor y endurecimiento de los músculos del corazón, lo que provoca dificultades para su funcionamiento y daños en las válvulas cardiacas. De acuerdo a David Ouyang, cardiólogo del Smidt Heart Institute y autor del estudio, estas condiciones del corazón son difíciles de detectar adecuada y precisamente incluso para cardiólogos expertos. “Nuestro algoritmo de IA puede identificar patrones de enfermedades que no se pueden ver a simple vista y luego usar estos patrones para predecir el diagnóstico correcto”, explicó. El algoritmo fue utilizado y probado en más de 34 mil videos de ultrasonidos cardiacos de Cerdars-Sinai y laboratorios de Stanford Healthcare. El algoritmo fue capaz de identificar características específicas como el grosor de las paredes del corazón y el tamaño de las cámaras del corazón. En este sentido el algoritmo fue capaz de identificar a los pacientes de alto riesgo con mayor precisión que un especialista bien entrenado. “Esto se debe a que el algoritmo detecta señales sutiles en los videos de ultrasonido que distinguen entre afecciones cardíacas que a menudo pueden parecer muy similares a afecciones más benignas, así como entre sí, en la revisión inicial”, comentó Ouyang. “Uno de los aspectos más importantes de esta tecnología de IA no es solo la capacidad de distinguir lo anormal de lo normal, sino también distinguir entre estas condiciones anormales, porque el tratamiento y manejo de cada enfermedad cardíaca es muy diferente”, dijo Ouyang. De esta forma, el uso de IA en cardiología ha logrado evolucionar de manera rápida en los últimos años, lo que ha permitido el desarrollo de estudio clínicos de alto impacto y el desarrollo de tecnologías para el diagnóstico de enfermedades. BIBLIOGRAFÍA CEDARS SINAI https://www.cedars-sinai.org/newsroom/new-artificial-intelligence-tool-detects-often-overlooked-heart-diseases/ HEALTH IT ANALYTICS https://healthitanalytics.com/news/new-ai-tool-helps-detect-hard-to-diagnose-heart-disease

Estudio publicado en Nature analizó un programa de pruebas de COVID-19 basadas en datos y en aprendizaje automático; fue implementado en una universidad con resultados favorables. En la Universidad de Notre Dame un grupo de investigadores implementaron un programa de pruebas de COVID-19 basado en dos modelos de aprendizaje automático fáciles de interpretar, que buscaron predecir que estudiantes tenían riesgo elevado de estar contagiados y debían realizarse la prueba. Los dos modelos utilizaron una representación de red social de la comunidad universitaria en la que los nodos representaban a un estudiante y cada borde representaba una conexión entre dos personas, ya fuera una clase en común, compañeros en equipos deportivos, o compañeros de cuarto. El primer modelo es un algoritmo que fue creado para predecir directamente el riesgo individual alto o bajo, de cada estudiante de padecer COVID-19. Y el segundo fue entrenado para predecir qué pares de estudiantes tenían más probabilidades de ser contactos cercanos, utilizando el sistema de rastreo de contactos utilizado un semestre antes. “El éxito de este programa sugiere que las estrategias de aprendizaje automático pueden mejorar la efectividad de las pruebas de vigilancia u otros esfuerzos para distribuir eficientemente los recursos de prueba y reducir la transmisión comunitaria”, explican los autores. En este sentido ambos modelos fueron una herramienta útil para la reducción de la transmisión comunitaria, pues de más de 115 mil pruebas aplicadas en el tiempo que se realizó el estudio (3 de marzo al 30 de abril de 2021), 18.1% correspondieron a pruebas dictadas por estos modelos de predicción. Además, las pruebas realizadas a estudiantes a través de las predicciones de este modelo tuvieron un porcentaje de positividad más alto que las pruebas generales 0.53 contra 0.38%. En este sentido, esta prueba demostró que, apoyándose en los modelos de aprendizaje automático, las universidades y centros de trabajo con gran cantidad de empleados, pueden aprovechar mejor los recursos que destinan a pruebas de COVID-19 y no solo generar un ahorro, sino reducir los contagios masivos. Consulta el estudio completo en el siguiente enlace: https://www.nature.com/articles/s41746-022-00562-4 BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41746-022-00562-4